yen-av/tunix-stem-sft

---
dataset_info:
- config_name: default
features:
- name: prompt
dtype: string
- name: reasoning
dtype: string
- name: answer
dtype: string
- name: domain
dtype: string
- name: source
dtype: string
- name: reasoning_length
dtype: int64
- name: task_id
dtype: int32
- name: text
dtype: string
- name: code
dtype: string
- name: test_list
list: string
- name: test_setup_code
dtype: string
- name: challenge_test_list
list: string
splits:
- name: train
num_bytes: 485450485.0
num_examples: 429645
download_size: 251905581
dataset_size: 485450485.0
- config_name: gsm-textbook
features:
- name: prompt
dtype: string
- name: reasoning
dtype: string
- name: answer
dtype: string
- name: domain
dtype: string
- name: source
dtype: string
- name: reasoning_length
dtype: int64
splits:
- name: train
num_bytes: 472726095.0
num_examples: 428681
download_size: 250545416
dataset_size: 472726095.0
- config_name: mbpp
features:
- name: task_id
dtype: int32
- name: text
dtype: string
- name: code
dtype: string
- name: test_list
list: string
- name: test_setup_code
dtype: string
- name: challenge_test_list
list: string
- name: prompt
dtype: string
- name: reasoning
dtype: string
- name: answer
dtype: string
- name: domain
dtype: string
- name: source
dtype: string
- name: reasoning_length
dtype: int64
splits:
- name: train
num_bytes: 2114530
num_examples: 964
download_size: 1043277
dataset_size: 2114530
- config_name: sft-20k
features:
- name: prompt
dtype: string
- name: reasoning
dtype: string
- name: answer
dtype: string
- name: domain
dtype: string
- name: source
dtype: string
- name: reasoning_length
dtype: int64
- name: task_id
dtype: int32
- name: text
dtype: string
- name: code
dtype: string
- name: test_list
list: string
- name: test_setup_code
dtype: string
- name: challenge_test_list
list: string
splits:
- name: train
num_bytes: 22559496.812348995
num_examples: 20000
download_size: 12683986
dataset_size: 22559496.812348995
- config_name: verifiable
features:
- name: prompt
dtype: string
- name: reasoning
dtype: string
- name: answer
dtype: string
- name: domain
dtype: string
- name: source
dtype: string
- name: reasoning_length
dtype: int64
- name: answer_type
dtype: string
- name: task_id
dtype: int32
- name: text
dtype: string
- name: code
dtype: string
- name: test_list
list: string
- name: test_setup_code
dtype: string
- name: challenge_test_list
list: string
splits:
- name: train
num_bytes: 213820869
num_examples: 211163
download_size: 110783444
dataset_size: 213820869
- config_name: verifiable-20k
features:
- name: prompt
dtype: string
- name: reasoning
dtype: string
- name: answer
dtype: string
- name: domain
dtype: string
- name: source
dtype: string
- name: reasoning_length
dtype: int64
- name: answer_type
dtype: string
- name: test_list
list: string
- name: test_setup_code
dtype: string
- name: challenge_test_list
list: string
splits:
- name: train
num_bytes: 19923964.11431358
num_examples: 20000
download_size: 8961900
dataset_size: 19923964.11431358
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- config_name: gsm-textbook
data_files:
- split: train
path: gsm-textbook/train-*
- config_name: mbpp
data_files:
- split: train
path: mbpp/train-*
- config_name: sft-20k
data_files:
- split: train
path: sft-20k/train-*
- config_name: verifiable
data_files:
- split: train
path: verifiable/train-*
- config_name: verifiable-20k
data_files:
- split: train
path: verifiable-20k/train-*
---

# Reasoning Training Dataset for Tunix Competition

Reasoning dataset for training 1-2B thinking models on math, coding, and science problems.

## Sources
- **GSM8K**: Grade school math with human reasoning traces
- **TextbookReasoning**: STEM problems with step-by-step solutions
- **MBPP**: Basic Python Programming prompts, with reasoning traces generated by gpt-oss-20b

## Format
Each example contains:
- `prompt`: The problem statement
- `reasoning`: Step-by-step reasoning
- `answer`: Final answer
- `domain`: 'math'|'physics'|'cs'|'chemistry'|'biology' | 'code'
- `source`: Original dataset name

## Intended Use
Train with Tunix SFT for Gemma to learn concise reasoning traces matching competition format:
```
<reasoning>step-by-step thinking</reasoning>
<answer>final answer</answer>
```

## License
Inherits licenses from source datasets

dataset_info:
- 配置名称: default
特征字段:
- 名称: prompt
数据类型: 字符串
- 名称: reasoning
数据类型: 字符串
- 名称: answer
数据类型: 字符串
- 名称: domain
数据类型: 字符串
- 名称: source
数据类型: 字符串
- 名称: reasoning_length
数据类型: 64位整数
- 名称: task_id
数据类型: 32位整数
- 名称: text
数据类型: 字符串
- 名称: code
数据类型: 字符串
- 名称: test_list
数据类型: 字符串列表
- 名称: test_setup_code
数据类型: 字符串
- 名称: challenge_test_list
数据类型: 字符串列表
数据集划分:
- 划分名称: train
字节数: 485450485.0
样本数: 429645
下载大小: 251905581
数据集总大小: 485450485.0
- 配置名称: gsm-textbook
特征字段:
- 名称: prompt
数据类型: 字符串
- 名称: reasoning
数据类型: 字符串
- 名称: answer
数据类型: 字符串
- 名称: domain
数据类型: 字符串
- 名称: source
数据类型: 字符串
- 名称: reasoning_length
数据类型: 64位整数
数据集划分:
- 划分名称: train
字节数: 472726095.0
样本数: 428681
下载大小: 250545416
数据集总大小: 472726095.0
- 配置名称: mbpp
特征字段:
- 名称: task_id
数据类型: 32位整数
- 名称: text
数据类型: 字符串
- 名称: code
数据类型: 字符串
- 名称: test_list
数据类型: 字符串列表
- 名称: test_setup_code
数据类型: 字符串
- 名称: challenge_test_list
数据类型: 字符串列表
- 名称: prompt
数据类型: 字符串
- 名称: reasoning
数据类型: 字符串
- 名称: answer
数据类型: 字符串
- 名称: domain
数据类型: 字符串
- 名称: source
数据类型: 字符串
- 名称: reasoning_length
数据类型: 64位整数
数据集划分:
- 划分名称: train
字节数: 2114530
样本数: 964
下载大小: 1043277
数据集总大小: 2114530
- 配置名称: sft-20k
特征字段:
- 名称: prompt
数据类型: 字符串
- 名称: reasoning
数据类型: 字符串
- 名称: answer
数据类型: 字符串
- 名称: domain
数据类型: 字符串
- 名称: source
数据类型: 字符串
- 名称: reasoning_length
数据类型: 64位整数
- 名称: task_id
数据类型: 32位整数
- 名称: text
数据类型: 字符串
- 名称: code
数据类型: 字符串
- 名称: test_list
数据类型: 字符串列表
- 名称: test_setup_code
数据类型: 字符串
- 名称: challenge_test_list
数据类型: 字符串列表
数据集划分:
- 划分名称: train
字节数: 22559496.812348995
样本数: 20000
下载大小: 12683986
数据集总大小: 22559496.812348995
- 配置名称: verifiable
特征字段:
- 名称: prompt
数据类型: 字符串
- 名称: reasoning
数据类型: 字符串
- 名称: answer
数据类型: 字符串
- 名称: domain
数据类型: 字符串
- 名称: source
数据类型: 字符串
- 名称: reasoning_length
数据类型: 64位整数
- 名称: answer_type
数据类型: 字符串
- 名称: task_id
数据类型: 32位整数
- 名称: text
数据类型: 字符串
- 名称: code
数据类型: 字符串
- 名称: test_list
数据类型: 字符串列表
- 名称: test_setup_code
数据类型: 字符串
- 名称: challenge_test_list
数据类型: 字符串列表
数据集划分:
- 划分名称: train
字节数: 213820869
样本数: 211163
下载大小: 110783444
数据集总大小: 213820869
- 配置名称: verifiable-20k
特征字段:
- 名称: prompt
数据类型: 字符串
- 名称: reasoning
数据类型: 字符串
- 名称: answer
数据类型: 字符串
- 名称: domain
数据类型: 字符串
- 名称: source
数据类型: 字符串
- 名称: reasoning_length
数据类型: 64位整数
- 名称: answer_type
数据类型: 字符串
- 名称: test_list
数据类型: 字符串列表
- 名称: test_setup_code
数据类型: 字符串
- 名称: challenge_test_list
数据类型: 字符串列表
数据集划分:
- 划分名称: train
字节数: 19923964.11431358
样本数: 20000
下载大小: 8961900
数据集总大小: 19923964.11431358
配置项:
- 配置名称: default
数据文件:
- 划分: train
路径: data/train-*
- 配置名称: gsm-textbook
数据文件:
- 划分: train
路径: gsm-textbook/train-*
- 配置名称: mbpp
数据文件:
- 划分: train
路径: mbpp/train-*
- 配置名称: sft-20k
数据文件:
- 划分: train
路径: sft-20k/train-*
- 配置名称: verifiable
数据文件:
- 划分: train
路径: verifiable/train-*
- 配置名称: verifiable-20k
数据文件:
- 划分: train
路径: verifiable-20k/train-*

# 面向Tunix竞赛的推理训练数据集
用于训练10亿至20亿参数推理模型的数学、编码与科学问题推理数据集。

## 数据集来源
- **GSM8K**：附带人类推理轨迹的小学级数学问题数据集
- **TextbookReasoning**：附带分步解答的科学、技术、工程与数学（STEM）问题集
- **MBPP**：基础Python编程提示集，附带由gpt-oss-20b生成的推理轨迹

## 数据格式
每个样本包含以下字段：
- `prompt`：问题陈述提示词
- `reasoning`：分步推理过程
- `answer`：最终答案
- `domain`：领域，可选值为'math'|'physics'|'cs'|'chemistry'|'biology' | 'code'，即数学、物理、计算机科学、化学、生物或编码领域
- `source`：原始数据集名称

## 预期用途
配合Tunix监督微调（Supervised Fine-Tuning, SFT）对Gemma模型进行训练，使其学会符合竞赛规范的简洁推理轨迹，格式如下：

<reasoning>分步思考过程</reasoning>
<answer>最终答案</answer>

## 许可证
继承自各源数据集的原始许可证