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

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。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

下拉加载更多