Nemotron-SFT-Science-v2-prompt-only

Nemotron-SFT-Science-v2-prompt-only是一个专门从源数据集nvidia/Nemotron-SFT-Science-v2中提取出的仅包含提示部分的数据集，属于Nemotron系列的后训练资源。核心文件prompts.csv包含2,837,712条记录，每条记录包括提取的提示文本、系统提示以及工具定义（以JSON格式编码）。辅助文件summary.md汇总了源行数、提取行数等统计信息，null_or_empty_rows.md记录了无效行索引。所有提取均成功，失败行数为0。该数据集适用于大型语言模型的监督微调，特别针对科学领域或需要系统指令和工具调用结构的提示工程、模型训练与评估任务，通过Nemotron Post-Training v3的提示提取工作流生成。

Nemotron-SFT-Science-v2-prompt-only is a dataset extracted solely from the prompt portions of the source dataset nvidia/Nemotron-SFT-Science-v2, serving as a post-training resource in the Nemotron series. The core file prompts.csv contains 2,837,712 records, each including the extracted prompt text, system prompt, and structured tool definitions (encoded in JSON format) when tools are available in the source data. Two auxiliary files are provided: summary.md summarizes source row counts, extracted row counts, count differences, and failed prompt counts, while null_or_empty_rows.md records row indices with empty or invalid prompt extraction results. According to the summary, all extractions were successful with zero failed rows. This dataset is suitable for supervised fine-tuning of large language models, particularly for scientific domains or tasks requiring system instructions and tool-calling structures in prompt engineering, model training, and evaluation. It was generated and released via the Nemotron Post-Training v3 prompt extraction workflow.

原始信息汇总

数据集概述

数据集名称：Nemotron-SFT-Science-v2-prompt-only

来源：从 nvidia/Nemotron-SFT-Science-v2 数据集中提取的仅包含提示（prompt）部分的内容。

---

文件结构

• prompts.csv：每行对应源数据集中的一条记录，包含字段：
  • prompt：提示内容
  • system_prompt：分离出的系统提示
  • tools：当源行定义了可用工具时，以结构化形式给出（嵌套值在CSV单元格中以JSON编码）
• summary.md：统计信息文件，包含源行数、提取行数、数量差异及失败的提示计数
• null_or_empty_rows.md：记录提取过程中产生空或空提示的行索引

---

统计摘要

• 提取行数：2,837,712
• 失败的提示行数：0
• 行数变化量：0（无增减）

---

标签与配置

• 标签：nemotron, prompt-only, post-training
• 配置名称：default
• 数据文件：训练分割（train），路径为 prompts.csv

---

上传信息

该数据集由 jamesdborin 通过 Nemotron Post-Training v3 提示提取工作流上传。

搜集汇总

数据集介绍

构建方式

Nemotron-SFT-Science-v2-prompt-only数据集是基于nvidia/Nemotron-SFT-Science-v2源数据集，通过后训练提示提取工作流构建而成的精简版本。该数据集将原始数据中的每条记录提炼为一个独立的提示（prompt）记录，并结构化地分离出系统提示（system_prompt）与工具定义（tools）字段。对于包含工具定义的源行，嵌套的值以JSON编码形式存储在CSV单元格内，从而保留了丰富的上下文信息。提取过程严格遵循Nemotron Post-Training v3工作流的规范，最终生成了约283.8万条提示记录，且未出现任何提取失败或数据行缺失的情况，确保了数据集的高完整性和质量。

特点

该数据集的核心特点在于其纯粹性与结构化设计。作为仅包含提示的版本，它专注于提供可直接用于训练或评估的输入对，剔除了源数据中可能存在的冗余或非核心字段。每条记录均包含清晰的`prompt`、`system_prompt`以及可选的`tools`字段，这种分离式结构极大地方便了模型在推理或微调时对指令与上下文的精准解析。此外，数据集以CSV格式存储，兼容性极佳，便于快速加载与处理。其规模接近300万条，覆盖了广泛的科学场景，为后续的监督微调或强化学习任务提供了丰富的语料基础。

使用方法

使用该数据集时，用户可直接加载`prompts.csv`文件，利用标准数据读取工具（如Pandas）解析CSV中的`prompt`列作为模型输入。对于涉及工具调用的场景，需将`tools`字段的JSON字符串反序列化为对象，并配合`system_prompt`构建完整的对话上下文。推荐将数据集用于语言模型的后训练阶段，例如进行指令微调或偏好对齐，以增强模型对科学领域复杂提示的响应能力。由于已预先提取并清理为统一格式，研究者可省略繁琐的数据预处理步骤，直接将记录按需划分训练集与验证集，高效开展实验。

背景与挑战

背景概述

Nemotron-SFT-Science-v2-prompt-only数据集由NVIDIA的研究团队于后训练（post-training）阶段构建，旨在为科学领域的语言模型提供高质量的监督微调（SFT）数据。该数据集从nvidia/Nemotron-SFT-Science-v2中提取出仅包含提示（prompt）的部分，保留了系统提示、结构化工具调用等关键信息，以支持模型在科学推理和工具使用任务上的能力提升。作为Nemotron系列模型训练流程的重要组件，该数据集推动了科学问答与自动化推理领域的研究，尤其在后训练数据筛选与提示工程方面具有广泛影响力。其发布为工业界和学术界提供了标准化、可复现的科学指令数据集，促进了对模型科学理解能力的深度评估。

当前挑战

该数据集面临的挑战主要源于领域问题的复杂性和构建过程的难度。在领域问题层面，科学推理任务要求模型具备精准的符号逻辑解析、多步推理及领域知识引用能力，而现有模型常因提示模糊或工具调用错乱导致生成结果偏离预期。在构建过程中，数据提取需从原始多轮对话中分离出结构化提示，并确保JSON编码的工具参数无损解析，这对反序列化精度和健壮性提出极高要求。此外，大规模数据清洗（近300万条记录）需处理空提示、嵌套字段截断及CSV转义错误等细节问题，任何环节的疏漏都可能降低后续微调效果。

常用场景

经典使用场景

Nemotron-SFT-Science-v2-prompt-only数据集源于nvidia团队对大规模科学领域指令微调数据集的精炼提取，其核心设计聚焦于科学推理与知识问答场景。研究者常利用该数据集中的结构化提示（prompt）、系统提示（system_prompt）以及工具调用（tools）信息，构建面向生物、化学、物理等学科的大语言模型监督微调（SFT）任务。通过保留原始数据集中精准的指令模板与上下文约束，该数据为模型提供了高密度的科学逻辑链与事实性知识对齐信号，尤其适用于训练模型在零样本或少样本条件下完成复杂科学问题的逐步推理。

实际应用

在实际应用中，Nemotron-SFT-Science-v2-prompt-only被广泛部署于科学文献的自动摘要生成、实验步骤的智能规划系统以及在线科学知识问答平台。例如，在药物研发场景中，模型可依据提示中的工具定义（如分子结构检索API）自主规划查询路径，输出符合化学规范的合成路线建议。此外，教育科技领域利用该数据集训练的辅导机器人，能够以严谨的科学话语体系解答学生关于物理定律推导或化学反应机理的疑问，显著提升了人机交互中知识传递的准确性与逻辑性。

衍生相关工作

围绕该数据集衍生出多项经典工作，包括基于提示嵌入的动态样本选择算法（如PES-DSS），用以提升科学指令微调中的数据效率；以及工具调用链生成框架（T-Chain），通过解析数据集中结构化tools字段，实现了模型对多步骤科学实验的自主编排。此外，研究者借鉴其提示分离策略，开发了跨领域通用提示模板库（PT-Lib），并进一步催生了面向数学定理证明与基因组注释等垂直场景的后续数据集，如MathSFT-Prompt与BioSFT-Tools，形成了从科学问题表征到工具化推理的完整数据生态。