Bdyskov/verified-math-reasoning

verified-math-reasoning（CargoDash旗舰配方）是一个数学推理数据集，包含999行数据，展示了三层、程序验证、投票分层的数学推理轨迹。该数据集专门设计为小规模，旨在证明CargoDash框架在真实生产LLM端点上的工作效果，而非作为一个严肃的数学基准。每行数据包含针对同一问题的三个独立思维链解决方案，分别来自DeepSeek、Doubao和Qwen3.5模型，每个解决方案都程序化提取了答案并与NuminaMath参考答案进行数值比较。数据根据正确模型数量分为三个子集：train_clean（524行，所有三个模型都答对，用于高置信度的SFT/蒸馏）、hard_disagreement（312行，1-2个模型答对，作为困难基准/RLVR难度数据）和unsolved_flagged（163行，所有模型都答错，需在训练前审查）。数据集基于NuminaMath种子生成，经过去污染处理（从1000个种子中删除了1个污染行），并包含详细的验证和许可信息。

verified-math-reasoning (CargoDash flagship recipe) is a 999-row showcase of three-layer, program-verified, vote-stratified math reasoning traces. The dataset is small on purpose — its job is to prove the CargoDash framework works on real production LLM endpoints, not to be a serious math benchmark. Each row carries three independent chain-of-thought solutions to the same problem (from DeepSeek, Doubao, and Qwen3.5) plus a programmatically extracted answer from each, compared numerically against the NuminaMath reference. Rows are routed by how many models got it right into three splits: train_clean (all 3 models agreed on the correct answer, 524 rows), hard_disagreement (1 or 2 of 3 models got it right, 312 rows), and unsolved_flagged (all 3 failed, 163 rows). The dataset is derived from NuminaMath seeds with decontamination (1 contaminated row dropped from 1000 seeds), and includes detailed verification and licensing information.

搜集汇总

数据集介绍

构建方式

本数据集由CargoDash框架驱动构建，旨在展示程序化验证与投票分层机制在数学推理场景中的应用。其构建过程以NuminaMath-1.5数据集中的奥林匹克数学问题为种子，通过DeepSeek-V4-Pro、Doubao-seed-2.0-pro与Qwen3.5-397B-A17B三类异质模型分别生成独立思维链解答。每道问题对应的三个解答经由基于sympy的数值比较器自动提取框定答案，并与参考答案比对，最终根据正确模型数量将999条样本划分为高置信度、分歧与未解三类子集。

特点

该数据集最显著的特征在于其分层投票架构与程序化验证机制。不同于传统单模型推理数据，这里每道题均配备三份异质模型解答，构建出从全体正确到全体错误逐步过渡的难度梯度。高置信度子集适合监督微调，分歧子集为强化学习偏好训练提供天然困难样本，未解子集则警示参考答案或提取流程的潜在问题。每行均携带显式的AI生成内容标签，并遵循上游模型的许可约束。

使用方法

用户可通过HuggingFace的datasets库或直接读取JSONL文件加载数据。各子集文件遵循统一模式，每行包含问题文本、三模型完整推理过程及其提取答案、数值正确性标志与难度等级。推荐优先使用train_clean子集进行数学推理蒸馏或监督微调，利用hard_disagreement子集构建差异奖励数据以训练推理模型。对于unsolved_flagged子集，建议在人工复核后使用，以排除参考标注歧义或提取失败带来的噪声。

背景与挑战

背景概述

verified-math-reasoning数据集由Berdyanskov团队基于CargoDash框架创建，于2025年发布，旨在系统评估和提升大型语言模型在数学推理任务中的表现。该数据集以NuminaMath奥林匹克数学题为基础，通过多模型联合验证的策略，构建了涵盖三模型一致性、分歧与全失败场景的999条高质量推理轨迹。其核心研究问题在于如何利用程序化验证与投票分层策略，从异构模型（DeepSeek、Doubao、Qwen3.5）的链式思维输出中筛选可靠性标注数据。作为CargoDash框架的功能示范，该数据集不仅为强化学习与监督微调提供了精细化的训练资源，更展现了自动化数据标注流水线在数学推理领域的应用潜力，对于推动大模型在复杂数学问题上的泛化能力研究具有重要参照价值。

当前挑战

该数据集所解决的领域难题在于数学推理任务中标注数据的可靠性验证与分歧处理——传统单模型生成答案常混入错误推理，且缺乏针对模型间分歧的系统性管理机制。为此，数据集设计了三模型协同验证架构，但构建过程中面临多重挑战：一是模型输出的异质性导致程序化答案提取面临格式不统一问题，如答案未封装在指定框符内；二是参考答案本身可能因编码歧义而造成误判；三是去污染工作仅覆盖部分基准测试，难以完全杜绝训练数据与测评集的潜在重叠；四是跨模型服务的商业许可约束增加了数据分发的法律复杂性，特别是部分模型生成内容受限于地域性的商业使用条款。

常用场景

经典使用场景

verified-math-reasoning数据集的核心使命在于为数学推理能力的评估与训练提供一种具备程序化验证机制的高质量数据资源。该数据集巧妙地将同一数学问题经由深寻、豆包及通义千问3.5三个异构模型独立生成长链思维过程，并借助数值比对器从每个推理轨迹中提取最终答案，与NuminaMath参考标准进行严格比照。依据三个模型同时正确、部分正确或全部错误将样本划分为训练集、困难分歧集与未解标记集三个子集，尤其后者汇聚了模型间存在认知冲突的硬核样例，为探究数学推理中的不确定性、模型间的能力差异以及复杂问题中的推理路径多样性提供了精妙的数据实验场。

衍生相关工作

该数据集衍生出的经典工作主要围绕其开创性的数据验证框架展开。发布时间较近但影响深远的是其作为CargoDash框架旗舰配方的示范价值，证明了通过程序化验证、投票分层和异构模型多视角采样能够规模化产出高质量数学推理数据。该范式启发了后续工作如基于多智能体辩论进行推理质量自动评估的方法，以及利用模型间推理分歧设计新型奖励信号以强化数学推理能力的探索。此外，基于该数据集的困难样本，研究者已开发出针对推理路径中细微错误的检测方法，推动了数学推理任务中的对抗性测试与鲁棒性分析领域的发展。

数据集最近研究

最新研究方向

该数据集聚焦于通过多模型投票分层与程序化验证构建高质量数学推理语料，尤其关注模型间分歧样本（hard_disagreement）作为强化学习验证（RLVR）挑战数据的价值。其设计回应了当前大语言模型在数学推理中普遍存在的‘伪一致性’问题——即多模型可能在错误答案上达成一致。通过引入异构模型组合（推理型与非推理型）并基于程序化答案比较进行路由，该工作为合成数据蒸馏、困难样本挖掘及模型对齐研究提供了可复现的框架。此外，数据集严格遵循中国《人工智能生成合成内容标识办法》，并明确标注AI生成内容，体现了合成数据在合规性与可追溯性方面的前沿实践，对推动开放、可审计的数学推理基准建设具有重要示范意义。