Nemotron-SFT-Science-v2

Nemotron-Science-v2是一个专注于科学推理的数据集，包含合成数据（如合成多选题和RQA）和非合成的供应商问题，以及由大语言模型生成的解决方案。数据集涵盖物理学、生物学和化学三个领域，提供多选题和开放式问题两种格式，并支持三种生成设置：无工具的思维链推理、使用Python工具以及使用Tavily API的搜索工具。解决方案由多种开源大语言模型生成，包括GPT-OSS、Kimi-K2-Instruct、DeepSeek-V3.2和DeepSeek-V4-Pro。数据集包含四个子集：1) Synthetic MCQ：包含4到10个选项的合成生成的多选题；2) RQA：合成的化学问题（包括多选题和开放式问题）；3) Vendor：非合成的、研究生/研究级别的开放式STEM问题，涵盖物理、化学和生物领域；4) SO MCQ：源自Stack Exchange平台、涵盖物理、生物和化学领域的多选题。总计包含2,837,712个样本，数据量约为49 GB，以JSONL格式存储，包含文本和元数据。该数据集采用CC BY-SA 4.0许可证，适用于商业或非商业用途，旨在供大语言模型工程师和研究团队使用，用于开发和训练专注于提升科学推理和问题解决能力的大语言模型，适用于监督训练和科学模型开发流程中的数据增强。Nemotron-Science-v2 is a dataset dedicated to scientific reasoning. It includes synthetic data (such as synthetic multiple-choice questions (MCQs) and RQA), non-synthetic vendor-provided questions, as well as solutions generated by large language models (LLMs). The dataset covers three disciplines: physics, biology and chemistry, and offers two question formats: MCQs and open-ended questions. It supports three generation settings: tool-free chain-of-thought reasoning, utilization of Python tools, and search tool usage via the Tavily API. Solutions are generated by a variety of open-source LLMs, including GPT-OSS, Kimi-K2-Instruct, DeepSeek-V3.2 and DeepSeek-V4-Pro. The dataset comprises four subsets: 1) Synthetic MCQ: synthetically generated MCQs with 4 to 10 options; 2) RQA: synthetic chemistry questions covering both MCQs and open-ended questions; 3) Vendor: non-synthetic, graduate/research-level open-ended STEM questions spanning physics, chemistry and biology; 4) SO MCQ: MCQs sourced from the Stack Exchange platform, covering physics, biology and chemistry. In total, the dataset contains 2,837,712 samples with a total data size of approximately 49 GB, stored in JSONL format and containing both text and metadata. It is licensed under CC BY-SA 4.0, permitting both commercial and non-commercial usage. The dataset is designed for LLM engineers and research teams to develop and train LLMs focused on improving scientific reasoning and problem-solving abilities, and is suitable for supervised training and data augmentation in scientific model development workflows.

原始信息汇总

数据集概述

数据集名称：Nemotron-Science-v2
发布者：NVIDIA Corporation
许可证：CC BY-SA 4.0

数据集描述

Nemotron-Science-v2 是一个面向科学推理的数据集，包含合成与非合成的科学问题及大模型生成的解答。覆盖物理、生物、化学三个学科领域，包含两种问题格式：多选题（MCQ）和开放题（OpenQ）。答案由多种开源大模型生成，生成方式包括：无工具的链式思维（CoT）推理、Python 工具使用、以及结合 Tavily API 的搜索工具使用。

数据子集

• Synthetic MCQ：合成生成的多选题，选项数量为 4-10 个。
• RQA：合成生成的化学问题，包含 MCQ 和 OpenQ 两种格式。
• Vendor：非合成的、研究生/研究级别的 STEM 开放题，涵盖物理、化学、生物。
• SO MCQ：基于 Stack Exchange 的多选题，覆盖物理、生物、化学领域。

数据集规模

子集	行数	大小
Synthetic MCQ	96,610	0.57 GB
Vendor	221,598	25 GB
RQA	413,519	8.9 GB
SO	2,105,985	15 GB
总计	2,837,712	49 GB

数据格式

• 模态：文本
• 格式：JSONL
• 结构：文本 + 元数据

数据收集与标注

• 收集方法：混合（合成 + 自动）
• 标注方法：合成

语言与任务

• 语言：英语
• 任务类别：文本生成
• 标签：physics, biology, chemistry, stem, science, text, blend, Nemotron_3_Ultra, supervised-fine-tuning

预期用途

面向大语言模型工程师和研究团队，用于提升模型在科学推理和问题解决能力方面的训练，适用于基于科学的模型开发流程中的监督训练与数据增强。

版本信息

• 当前版本：Nemotron-SFT-Science-v2
• 创建日期：2026年5月13日
• 最后修改：2026年5月13日
• 上一版本：https://huggingface.co/datasets/nvidia/Nemotron-Science-v1

伦理考量

NVIDIA 强调可信赖的人工智能是共同责任，开发者应确保数据集符合相关行业和用例的要求，并防范产品误用。质量问题、安全漏洞或 AI 相关顾虑可在此提交：https://app.intigriti.com/programs/nvidia/nvidiavdp/detail

搜集汇总

数据集介绍

构建方式

Nemotron-SFT-Science-v2 数据集由 NVIDIA 构建，旨在提升大语言模型在科学推理任务中的能力。该数据集采用混合构建策略，融合了合成数据与真实世界问题。其四大子集各具特色：Synth MCQ 为合成生成的4-10个选项的多项选择题；RQA 专注于化学领域，涵盖多选题与开放题；Vendor 包含来自物理、化学和生物的研究级开放问题，非合成来源，确保题目深度；SO MCQ 则从 Stack Exchange 社区提炼出涵盖物理、生物和化学的多项选择题。问题解答由 GPT-OSS、Kimi-K2-Instruct、DeepSeek-V3.2 和 DeepSeek-V4-Pro 等开源大模型生成，并采用链式思维推理、Python 工具使用以及 Tavily API 搜索工具三种生成模式，确保答案的多样性和推理过程的透明性。

使用方法

Nemotron-SFT-Science-v2 主要面向大语言模型的监督微调与科学推理能力增强。使用时，用户可通过 HuggingFace Datasets 库加载数据，数据集提供四个配置名（rqa、so、syn_mcq、vendor），分别对应四个子集，用户可根据训练目标灵活选择或混合使用。数据以 JSONL 格式存储，每条记录包含文本和元数据，兼容常见的训练框架。在应用过程中，建议将子集单独或组合用于模型的有监督微调，以提升其在物理、化学、生物领域的问题求解和复杂推理能力。开发团队应结合自身用例评估数据质量，并注意潜在的安全与合规风险。

背景与挑战

背景概述

Nemotron-SFT-Science-v2数据集由NVIDIA Corporation于2026年5月13日创建，旨在提升大型语言模型在科学推理与问题解决方面的能力。该数据集聚焦于物理、生物和化学三大STEM领域，融合了合成与非合成数据，涵盖多项选择题与开放式问题两种格式，并利用Chain-of-Thought推理、Python工具以及搜索工具等多种生成策略，以模拟真实科研场景中的复杂推理需求。作为前代版本Nemotron-Science-v1的替代品，该数据集包含约280万条高质量科学问题及其对应解答，为科学领域的基础模型监督微调与数据增强提供了关键资源，推动了人工智能在科学研究中的实际应用进程。

当前挑战

该数据集面临的挑战主要体现在两方面：其一，科学推理的复杂性要求模型不仅掌握领域知识，还需灵活运用多步推理与外部工具（如代码执行和网络搜索），传统数据往往难以覆盖这类高度依赖工具与逻辑链的深度问题。其二，数据构建过程中，合成数据虽能大规模生成，但如何确保其与真实科研问题的语义一致性与难度匹配是一大难题；同时，非合成厂商问题虽具有高学术价值，但其分布不均和规模有限性，以及不同来源数据（如Stack Exchange问答）的噪声与格式异构，均对数据融合与质量控制提出了严峻考验。

常用场景

经典使用场景

在科学推理与数学逻辑的监督微调领域，Nemotron-SFT-Science-v2数据集为大型语言模型提供了丰富的训练素材。它整合了物理、化学、生物学三大核心学科的近三百万条问答对，涵盖选择题与开放式问题两大题型。数据不仅包含链式思维推理范例，还引入了Python编程求解与Tavily搜索引擎调用等多种工具辅助的解题策略，使模型能在多样化情境中锤炼科学论证能力。研究者常将此数据集作为微调基座模型的核心资源，通过其高质量、多模态的混合样本，系统提升模型在STEM领域内的逻辑推演与精准作答水平。

解决学术问题

该数据集精准回应了当前大模型在科学推理领域面临的算力与数据瓶颈，解决了合成数据与真实问题间的语义鸿沟难题。其通过将深度的学科知识与自动化的解法生成相结合，有效弥补了传统数据集依赖人工标注导致规模受限的缺陷。数据集的四个子集各有侧重，如Vendor部分聚焦研究生级别的开放性STEM难题，极大丰富了复杂科学推理的样本多样性。此举不仅推进了少样本推理与链式思维研究，也为模型在零资源条件下处理高阶科学问题奠定了坚实基础，显著提升了学术研究中模型泛化能力的评估标准。

实际应用

在工业与教育实践中，Nemotron-SFT-Science-v2数据集被广泛应用于自动化科学问答系统和智能辅导平台的构建。开发者能够借助该数据集微调模型，使其胜任物理定律的解析、化学反应机理推导、生物遗传学题目解答等具体任务，实际部署于在线教育工具或科研辅助软件中。此外，由于数据集包含Python与搜索工具的使用案例，它也为构建具备代码执行和实时信息检索能力的科学助手提供了范例，推动了智能教学和科研自动化的落地进程。

数据集最近研究

最新研究方向

该数据集聚焦于提升大语言模型在科学领域的推理与问题解决能力，通过融合合成与非合成数据（涵盖物理、生物、化学三大核心学科），并引入链式思维推理、Python工具调用及搜索工具协作等多模态生成策略，前沿研究方向集中于利用高质量、多源融合的科学推理数据微调模型，以突破其在复杂STEM任务中的逻辑推演与工具辅助决策瓶颈，这对推动AI在科研辅助、教育智能化等热点领域的实际应用具有深远意义。