agicorp/orca-math-word-problems-200k

该数据集包含约20万个小学生数学应用题，所有答案均使用Azure GPT4-Turbo生成。数据集由微软策划，主要用于增强语言模型的数学能力，特别是在数学问题解决方面。数据集的结构包括问题和答案两个字段，数据分为训练集，包含200,035行数据。数据集的语言为英语，适用于数学问答任务。

原始信息汇总

数据集概述

数据集名称

• 名称: Orca-Math Word Problems 200K

数据集内容

• 类型: 数学问题解答
• 内容: 包含约200,000个小学数学应用题及其答案。

数据集特征

• 问题（question）: 字符串类型，包含待解答的数学问题。
• 答案（answer）: 字符串类型，包含对应问题的解答。

数据集结构

• 数据分割:
  • 训练集（train）: 包含200,035个样本。

数据集大小

• 下载大小: 84,248,748字节
• 数据集大小: 225,322,861字节

语言

• 语言: 英语（en）

许可

• 许可: MIT

任务类别

• 任务类别: 问答（question-answering）

标签

• 标签: 数学（math）

大小类别

• 大小类别: 100K<n<1M

数据实例示例

python {question: In a highly contested election having multiple candidates, Mr. Jackson, one of the losing candidates, received 3,485,782 votes, which accounted for precisely 38.7 percent of all votes. To have achieved a victory, he would have needed to secure at least 51 percent of all votes. Approximately, what percent of the remaining unsecured votes would Mr. Jackson have needed to accumulate to reach this victory threshold?, answer: "First, lets find out the total number of votes cast in the election. Since Mr. Jackson received 38.7% of all votes, and that amounted to 3,485,782 votes, we can set up the following equation to find the total number of votes (T):

0.387 * T = 3,485,782

Now, solve for T:

T = 3,485,782 / 0.387 T ≈ 9,000,467 votes (total number of votes cast)

To win, Mr. Jackson would have needed 51% of the total votes. Lets calculate that amount:

0.51 * T = 0.51 * 9,000,467 0.51 * T ≈ 4,590,238 votes needed to win

Now, lets find out how many more votes Mr. Jackson needed to reach this winning threshold:

Votes needed to win - Votes Mr. Jackson received = Additional votes needed 4,590,238 - 3,485,782 = 1,104,456 additional votes needed

Now, lets find out what percentage of the remaining unsecured votes this number represents. The remaining unsecured votes are the votes that were not for Mr. Jackson, which is 100% - 38.7% = 61.3% of the total votes.

61.3% of the total votes is the remaining unsecured votes:

0.613 * T = 0.613 * 9,000,467 0.613 * T ≈ 5,514,686 votes were unsecured

Now, well calculate the percentage of these unsecured votes that the additional votes needed represent:

(Additional votes needed / Unsecured votes) * 100 = Percentage of unsecured votes needed (1,104,456 / 5,514,686) * 100 ≈ 20.03%

So, Mr. Jackson would have needed approximately 20.03% of the remaining unsecured votes to reach the victory threshold of 51%."}

数据集创建

• 创建者: Microsoft
• 数据收集和处理: 使用Azure GPT-4 Turbo扩展了一个种子集的问题，并生成了相应的答案。

注意事项

• 语言限制: 数据集仅包含英语数学问题。
• 敏感信息: 数据集中不包含个人或敏感信息。

搜集汇总

数据集介绍

构建方式

该数据集由微软团队精心构建，旨在提升语言模型在小学数学应用题上的推理能力。其构建过程始于从Lila和DMath等公开资源中筛选的种子问题集，随后利用Azure GPT-4 Turbo模型对这些问题进行扩展与答案生成，最终形成约20万条高质量问答对。所有答案均经由GPT-4 Turbo自动生成，确保了答案的准确性与逻辑的严谨性，为训练小型语言模型在数学领域取得突破提供了坚实的数据基础。

使用方法

数据集可通过HuggingFace Datasets库便捷加载，使用`load_dataset('agicorp/orca-math-word-problems-200k')`即可获取完整的训练集。每个样本包含`question`和`answer`两个字段，可直接用于训练序列到序列的模型或作为问答任务的输入。研究者可将问题作为输入，答案作为目标输出，进行模型微调，以增强语言模型在数学推理任务上的表现。该数据集特别适合用于探索如何通过高质量合成数据提升小型模型的数学解题能力。

背景与挑战

背景概述

在自然语言处理与教育智能的交叉领域，数学推理能力被视为评估语言模型逻辑思维与符号操作水平的关键试金石。由微软研究院于2024年发布的Orca-Math Word Problems数据集，以约20万道小学阶段数学文字题为载体，旨在探索小型语言模型在数学问题求解中的潜力。该数据集由Arindam Mitra、Hamed Khanpour等研究人员主导构建，核心研究问题在于如何通过高质量、多样化的数学推理样本，赋能参数规模较小的模型以接近甚至媲美大型模型的数学能力。其影响力体现在为轻量化模型在资源受限场景下的数学教育应用开辟了新路径，成为推动数学推理研究民主化的重要里程碑。

当前挑战

该数据集所面临的挑战首先体现在领域问题的复杂性上：数学文字题不仅要求模型理解自然语言描述的语境，还需精准执行多步算术运算与逻辑推导，这对语言模型的符号推理能力构成了严峻考验。其次，在构建过程中，研究团队需从Lila、DMath等源数据中筛选并扩展种子问题，借助Azure GPT-4 Turbo生成答案，这一过程面临如何保证生成答案的准确性与一致性、如何避免模型偏见或逻辑错误的挑战。此外，数据集仅包含英文样本，缺乏多语言与跨文化数学问题的覆盖，限制了其在全球教育场景中的普适性与公平性评估。

常用场景

经典使用场景

Orca-Math Word Problems 200k 数据集在自然语言处理与数学推理交叉领域中，被广泛用作训练和评估语言模型数学问题求解能力的基准资源。其经典使用场景在于为小型语言模型（SLM）提供高质量的数学应用题训练样本，通过约20万道涵盖算术、代数、几何等基础数学概念的问题与GPT-4 Turbo生成的详尽解答，推动模型在复杂多步推理任务上的表现提升，尤其适用于研究知识蒸馏与模型精简策略下数学能力的迁移与增强。

解决学术问题

该数据集核心解决了小型语言模型在数学推理任务中性能不足的学术难题。传统上，数学问题求解依赖大规模模型或专用架构，而Orca-Math通过构建大规模、高信度的问答对，为探索如何在不显著增加参数量的前提下提升SLM的算术推理和逻辑演绎能力提供了关键训练材料。它促进了关于数据质量、答案逐步推导过程对模型学习影响的研究，显著推动了低资源条件下数学推理领域的理论发展。

实际应用

在实际应用中，Orca-Math Word Problems 200k 数据集为智能教育辅导系统、自动化数学答题助手以及儿童数学学习应用提供了坚实的训练基础。基于该数据集微调的语言模型能够理解自然语言描述的数学情境，并生成逐步解题过程，从而辅助学生完成作业、提供个性化错题解析，或在教育机器人中扮演虚拟数学导师角色，降低对昂贵大型模型的依赖，实现高效、低延迟的实时交互。

数据集最近研究

最新研究方向

在数学推理与自然语言处理交叉领域，小型语言模型（SLM）的潜力正被重新审视。Orca-Math数据集通过微软Azure GPT-4 Turbo生成的约20万道小学数学应用题及其解答，为研究如何利用大型教师模型蒸馏知识至轻量化学生模型提供了关键资源。这一方向与当前大模型高效部署、边缘计算场景下的轻量化智能需求紧密相连，其核心贡献在于证明了高质量合成数据能显著提升SLM的数学问题求解能力，而非单纯依赖模型参数规模的扩张。该数据集的出现推动了从“规模至上”向“数据质量驱动”的范式转变，为教育科技中可落地的数学辅导系统开辟了新路径，同时为评估和提升语言模型在结构化推理任务上的泛化性能设立了新基准。