metamathqa-r1-mini

MetaMathQA R1 Mini 是一个纯文本、长度受限的推理数据集，源自 oumi-ai/MetaMathQA-R1 数据集。该数据集包含 83,835 个完整的双轮对话响应，每个样本由以下字段组成：id（源对话ID）、source（数据来源，固定为 oumi-ai/MetaMathQA-R1）、question（精简后的源提示）、steps（有序推理步骤列表，来自思考过程，并去除了重复的最终答案单元）、answer（完整的润色解释，而非简短的参考答案）。每个样本的 steps 数量在 3 到 47 之间，每个 answer 至少包含 15 个单词，并以解释性结论结尾。数据集经过了严格的过滤，移除了不完整响应、依赖图像的行、仅包含答案的样本、重复相邻问题句子的样本以及超过 Llama 3 1024 token 限制的序列。该数据集适用于文本生成任务，尤其是需要多步推理的场景，如数学推理。MetaMathQA R1 Mini is a pure-text, length-constrained reasoning dataset derived from the oumi-ai/MetaMathQA-R1 dataset. It contains 83,835 complete two-turn dialogue responses, each sample consisting of the following fields: id (source dialogue ID), source (data source, fixed as oumi-ai/MetaMathQA-R1), question (trimmed source prompt), steps (ordered list of reasoning steps from the thinking process, with duplicate final answer units removed), and answer (a complete polished explanation, not a short reference answer). The number of steps per sample ranges from 3 to 47, and each answer contains at least 15 words, ending with an explanatory conclusion. The dataset underwent strict filtering, removing incomplete responses, image-dependent rows, answer-only samples, samples with repeated adjacent question sentences, and sequences exceeding the Llama 3 1024 token limit. This dataset is suitable for text generation tasks, especially those requiring multi-step reasoning, such as mathematical reasoning.

原始信息汇总

MetaMathQA R1 Mini (Explanatory) 数据集详情

基本信息

• 数据集名称: MetaMathQA R1 Mini (Explanatory)
• 许可证: Apache 2.0
• 任务类型: 文本生成 (Text Generation)
• 语言: 英语
• 数据规模: 10K-100K 条样本
• 数据大小: 数据集约 238.3 MB，下载大小约 204 MB

数据概述

该数据集是从 oumi-ai/MetaMathQA-R1 数据集构建的纯文本、长度受限的推理数据集，包含 83,835 条完整的两轮对话响应，未进行行数上限限制、采样或打乱操作。

数据字段说明

字段名	数据类型	描述
id	string	源对话ID
source	string	数据来源，固定为 oumi-ai/MetaMathQA-R1
question	string	修剪后的源提示问题
steps	list[string]	<think> 内部的有序推理单元，已移除重复的终止 Final Answer 单元
answer	string	</think> 之后的完整精炼解释，非简单的参考答案

数据质量要求

• 每条数据包含 3 到 47 个推理步骤
• 每个回答至少包含 15 个单词，并包含解释性结论
• 已排除以下类型的数据：不完整响应、依赖图像的行、裸答案、重复相邻问题的句子、超过 Llama 3 的 1,024 token 限制的序列

数据划分

数据集仅包含 train 划分，共 83,835 个样本，字节数为 238,257,703。

来源追溯

• 源修订版本: 84f7a518a6f1ea426111be6954dedf37975b93df
• 输出 JSONL SHA-256: fd52fd51bece0fd1c3ded4ed75686fb1c9114ca4d8ff5e398959dd340f5d9271
• 完整的映射、过滤规则、拒绝统计、分词器指纹及字节级完整性数据见 construction_manifest.json 文件。

搜集汇总

数据集介绍

构建方式

MetaMathQA R1 Mini 数据集源于对 oumi-ai/MetaMathQA-R1 的精细化再加工，旨在构建一个文本型、长度受限的推理数据集。构建过程中，原始数据经过严格的质量控制流程，包括去除不完整响应、依赖图像的条目、纯答案以及重复的相邻问题句，同时剔除超出 Llama 3 1024 token 约束的序列。最终，数据集保留了 83,835 条完整的双轮对话，每条数据包含 id、source、question、steps 和 answer 字段，其中 steps 字段提取自 <think> 标签内部的推理单元，并去除了重复的末尾 Final Answer 单元。数据集的构建清单和完整性信息记录在 construction_manifest.json 中，确保了过程的透明性和可复现性。

使用方法

该数据集适用于文本生成任务的微调和评估，尤其是数学推理和思维链研究。使用者可将其作为训练集，用于提升模型生成逐步推理和解释性答案的能力。数据集采用 HuggingFace 格式，可通过 datasets 库直接加载，默认配置包含 train 分割，数据文件为 JSONL 格式。推荐将数据集的 question 字段作为输入，steps 和 answer 字段作为监督信号，训练模型生成结构化的推理过程。在评估时，可基于 steps 的推理质量与 answer 的完整性进行自动或人工评判。数据集的构建清单提供了详细的过滤和映射细节，便于用户理解数据分布或进行定制化筛选。

背景与挑战

背景概述

MetaMathQA R1 Mini 数据集由 oumi-ai 团队于近期创建，旨在为数学推理研究提供高质量、结构化的训练资源。该数据集源于 MetaMathQA-R1，通过精细的过滤和重构，得到了包含 83,835 条完整两轮对话的文本型推理数据集。其核心研究问题在于如何构建兼具解释性与长度可控的数学推理数据，以支撑大型语言模型在复杂数学问题上的推理能力提升。该数据集在 HuggingFace 上发布，遵循 Apache-2.0 许可证，其独特的步骤化思考模式和净化后的答案设计，为后续推理模型训练提供了标准化基准，对数学自然语言处理领域具有重要影响。

当前挑战

该数据集所应对的领域挑战在于数学推理数据的质量与结构性不足，传统数据集常包含不完整或非解释性的答案，难以有效训练模型的深度推理能力。构建过程中，团队遭遇了多重障碍：需剔除依赖图像的数据、过滤不完整响应，并确保答案均含至少15词且具备解释性结论；同时，需严格限制推理步骤在3至47步之间，且总长度不超过 Llama 3 的1024 token 阈值。此外，还需删除重复的相邻问题句子及裸答案，并保证每个回答的逻辑连贯性。通过精密的过滤流程与完整性哈希校验，最终保障了数据集的高质量与可复现性。

常用场景

经典使用场景

MetaMathQA R1 Mini数据集专为文本生成任务中的数学推理能力培养而设计，其核心应用场景聚焦于大语言模型的监督微调与思维链（Chain-of-Thought）训练。该数据集提供83,835条完整的两轮问答样本，每条样本包含分步推理步骤及详尽解释性答案，为模型提供了高质量的推理轨迹范例。研究者可将其用于微调Llama等基础模型，提升其在数学应用题解答、逻辑推理及多步计算等任务上的表现，尤其适用于需要结构化思考与可解释性输出的场景。

解决学术问题

该数据集解决了数学推理领域中长期存在的推理过程不透明与可解释性不足的学术难题。通过提供有序的思考步骤和完整的解释性答案，它使模型能够学习到显式的推理路径，从而提升回答的逻辑连贯性与准确性。此外，数据集严格过滤了不完整响应、图像依赖样本及超长序列，确保了训练数据的纯净度与一致性，为研究推理能力的涌现机制、思维链长度与正确率的关系以及模型内部推理表征提供了可靠的数据基础，推动了数学推理方向的研究进展。

实际应用

在实际应用中，该数据集可赋能教育科技领域的智能解题助手，使AI能够以步骤化、可解释的方式为学生演示数学题目的求解过程，助力个性化学习。同时，它也可用于构建企业级知识问答系统，特别是在需要严谨逻辑推理的金融分析、科学计算等场景中，提升自动化解答的可靠性。其规模适中、质量可控的特点，使得中小型团队也能高效地进行模型定制，快速部署具备复杂推理能力的对话式应用。

数据集最近研究

最新研究方向

该数据集聚焦于数学推理的链式思维可解释性与轻量化，通过结构化提取MetaMathQA-R1中的推理步骤，并施加长度边界与质量过滤，为大规模语言模型的推理蒸馏与评估提供了精细化的资源。其构建方式呼应了当前对推理过程透明化和计算效率优化的双重要求，尤其服务于小样本或高效微调场景，推动数学问题求解从答案生成向可审计的逐步推理演进。