NVIDIA本次发布的数据集Nemotron-SFT-Multilingual-v1,Nemotron-Multilingual-v1 是一个多语言推理数据集，通过对 Nemotron-Math-v2、Nemotron-Competitive-Programming-v1 和 Nemotron-Science-v1 三个英文数据集的子样本进行翻译构建而成，涵盖德语、法语、日语、意大利语、中文和西班牙语六种语言。原始数据使用 Qwen2.5-14B-Instruct 进行翻译，并通过启发式方法过滤翻译失败和幻觉内容，其中 STEM 子集还使用 Qwen3-4B-Thinking-2507 进行了后编辑以修正格式问题。数据集提供目标语言的提示和最终答案，但保留英文的推理过程。该数据集适用于商业用途，主要用于增强大型语言模型在多语言环境下处理 STEM、数学和编程任务的能力。数据集采用 JSONL 格式，包含约 306 万条样本，总存储量约 90GB。许可方面，除 StackOverflow 和 MathGenSelect 数据采用 CC BY-SA 4.0 许可外，其余数据均采用 CC BY 4.0 许可。
查看Nemotron-SFT-Multilingual-v1
关于NVIDIA,英伟达是一家专注于图形处理器开发的全球知名技术公司。
关于HuggingFace,Hugging Face是一个机器学习社区协作平台，专注于模型、数据集和应用程序的开发与分享。它提供了丰富的资源，包括超过100万个模型、25万个数据集和40万个应用程序，支持文本、图像、视频、音频和3D等多种模态。此外，平台还提供企业级解决方案和开源工具，如Transformers、Diffusers等，以加速机器学习的研究和应用。
_1769672084863.jpg)