MetaMathQA — LLM Rozumowanie Dataset
395K high-quality mathematical question-answer pairs created by augmenting GSM8K and MATH through answer rewriting, backward reasoning, and FOBAR methods. Powers MetaMath models that significantly outperform base models on math benchmarks.
Dataset Details
| Provider | meta-math |
| Category | Rozumowanie |
| Size | 395K Pairs |
| License | MIT |
| Downloads | 1.2M |
| Tags | Math, Reasoning, GSM8K, MATH, Augmented |
from datasets import load_dataset
ds = load_dataset("meta-math/MetaMathQA")
Fine-tuning z tym zbiorem danych
Szacowany VRAM do fine-tuningu z QLoRA (model bazowy 4-bit + adaptery LoRA), przy zachowawczych ustawieniach:
| 7B QLoRA | ~6GB VRAM |
| 13B QLoRA | ~10GB VRAM |
Sprawdź, czy Twoje GPU to udźwignie →
Pierwszy fine-tuning? Przejdź przewodnik krok po kroku: Zrób fine-tuning pierwszego LLM w godzinę
Powiązane zbiory danych
- Orca Math Word Problems — Grade-school math word problems for small models
- NuminaMath — Chain-of-thought math fine-tuning up to olympiad level
- OpenThoughts3-1.2M — Distilling strong math/code/science reasoning into 7B–32B models
- s1K-1.1 — Cheap, fast reasoning fine-tunes — 1k samples means minutes of training, not days
Najczęstsze pytania
Czy mogę użyć MetaMathQA komercyjnie?
Tak — MetaMathQA jest udostępniony na licencji MIT, liberalnej licencji pozwalającej na użycie komercyjne, w tym trenowanie modeli wdrażanych w produkcie. Przed publikacją sprawdź wymogi atrybucji na karcie zbioru.
Ile danych zawiera MetaMathQA i czy potrzebuję wszystkich?
MetaMathQA zawiera 395K Pairs. Rzadko potrzebujesz całości: do fine-tuningu stylu i formatu wystarcza kilkaset–kilka tysięcy przykładów — załaduj wycinek (np. split="train[:1000]") i zwiększaj skalę tylko, gdy jakość przestaje rosnąć.
Do czego MetaMathQA nadaje się najlepiej?
Boosting GSM8K/MATH-style math skills in 7B models. Należy do sekcji „Rozumowanie" naszego centrum zbiorów danych, gdzie znajdziesz alternatywy i zbiory komplementarne.
← Wszystkie zbiory danych | Fine-Tuning Guide