MathPile

MathPile

数学预训练数据集

本页面介绍了MathPile,这是一个专注于数学领域的高质量大规模预训练数据集,包含约95亿个标记。MathPile整合了来自教科书、arXiv、Wikipedia等多种来源的数据,确保了内容的多样性和覆盖面。项目注重数据质量,采用严格的预处理和过滤,并提供详细的数据文档和质量注释。MathPile旨在提升语言模型在数学推理方面的能力,同时页面也提供了项目的最新动态、技术报告、使用限制和许可证信息。

MathPile数学语料库高质量数据数学推理预训练Github开源项目

MathPile 项目介绍

项目背景

MathPile 是一个专注于数学领域的生成式人工智能项目,其核心是一个规模庞大的预训练语料库,包含约95亿个词汇。与之前的类似项目相比,MathPile 在几个方面具有显著的不同。

项目特色

数学领域聚焦

MathPile 专门针对数学领域进行优化,与其他通用领域的语料库(如 Pile 和 RedPajama)以及多语言语料库(如 ROOTS 和 The Stack)不同。尽管市场上也有一些针对数学的语料库,如 Google 的 Minerva 和 OpenAI 的 MathMix,但它们往往闭源或缺乏多样性,MathPile 则弥补了这些不足。

多样性

MathPile 的内容来源多样,涵盖了教科书(包括讲义)、arXiv、维基百科、ProofWiki、StackExchange 及网页等,为用户提供从基础教育到大学、研究生及数学竞赛水平的广泛数学内容。特别值得一提的是,MathPile 首次发布了大量高质量教科书的数据(约1.9亿词汇)。

高质量

MathPile 项目坚持“精益求精”的理念,重视数据的质量而非单纯追求数量。通过复杂的预处理、过滤、清洗、筛选和去重过程,确保语料的高质量。

数据文档化

MathPile 提供了详尽的数据文档,以提高透明度。其中包括一份数据集表(见论文中的表5)和来自网络文档的质量注释,如语言识别评分和符号与单词的比例。这些文档使用户能够根据自己的需要调整数据集。此外,还进行了数据污染检测,以确保如 MATH 和 MMLU-STEM 等基准测试集中的数据不被重复。

项目目标

MathPile 旨在增强语言模型的数学推理能力。更多技术细节可参阅项目的技术报告。

现有的局限性

MathPile 在数据采集和处理阶段所做的决策可能并不总是最优的。此外,某些文档的质量尚需提升。项目团队承诺将持续优化和改进该语料库。

使用声明及许可

MathPile 的数据旨在促进人类生活的改善,项目团队强烈呼吁用户不要将此语料库用于任何可能损害国家或社会安全,或违反法律的活动。项目团队尽力保证数据的高质量和合法使用,但对数据使用中可能出现的任何问题概不负责。

MathPile 遵循相对更严格的许可规定,若源数据的许可限制高于CC BY-NC-SA 4.0,项目将尊重源数据的许可要求。否则,数据在CC BY-NC-SA 4.0许可下使用。团队计划很快发布数据集的商业可用版本。

项目应用

MathPile 被应用于多个项目,涵盖了预训练、数据合成及基准测试等场景。这些项目包括:

  • Stanford CS224N 自定义项目
  • JiuZhang3.0 项目
  • 针对特定任务的数据增强研究
  • Great Memory, Shallow Reasoning 项目
  • BAM! 项目
  • SciDFM 项目
  • MIND 项目等

引用须知

若使用或引用 MathPile,请注明出处:

@article{wang2023mathpile,
      title={Generative AI for Math: Part I -- MathPile: A Billion-Token-Scale Pretraining Corpus for Math},
      author={Wang, Zengzhi and Xia, Rui and Liu, Pengfei},
      journal={arXiv preprint arXiv:2312.17120},
      year={2023}
}

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多