原始数据集：

示例： 

AI大模型训练数据包（数学类）是一个数学指令调整数据集，其中包含 2亿个问题解决方案。

这些数据来源美国等地区的超1000家数学平台获取的问题、答案、材料等，并通过允许各大模型技术使用文本推理和 Python 解释器执行的代码块混合来综合生成解决方案。

数据集被分为我们在消融实验中使用的训练和验证子集。

LLM大模型训练数据包（数学类）包含以下字段：

问题：来自 全球超1000家相关渠道 。

generated_solution：使用文本推理和代码块混合生成的解决方案。

expected_answer：原始数据集中提供的真实答案。

predict_answer：相应解决方案中 Mixtral 模型预测的答案（从中提取\boxed{}）。

error_message：<not_executed>如果未使用代码。否则为空或包含来自相应代码块的 Python 异常。字符串timeout表示代码块执行时间超过 10 秒。在当前数据集版本中，我们总是在出现任何错误或超时后停止生成。

is_correct：我们的评分脚本是否认为最终答案正确。

数据集：neuronicx1000 或 neuronicxLLM-math。

generation_type：without_reference_solution或masked_reference_solution。

LLM大模型训练数据包（数学类500G）使用流程

购买与下载：

在平台上选择购买LLM大模型训练数据包（数学类500G）。

完成支付后，您将收到下载链接或数据交付方式的通知。

下载数据包到本地存储设备。
 

解压与整理：

下载完成后，解压数据包，通常以ZIP或RAR格式压缩。

数据文件会按照语言、学术层次（如中学、大学）和具体领域（如代数、几何、统计等）分类整理，便于查找和使用。

数据预处理：

根据项目需求，对数据进行格式化处理，适配您的AI模型训练框架（如PyTorch、TensorFlow等）。

检查数据中的噪音或不符合标准的内容，确保训练的准确性。
 

导入模型训练环境：

将数据导入至您的模型训练环境中。

确保数据加载符合模型的输入要求，如输入数据格式、批处理大小（batch size）等。
 

模型训练：

使用该数据包进行模型训练。此数据包特别适合多语言的数学模型训练，涵盖从中学到大学的学术数学内容。

结合数据中的数学类知识，模型可以应用于自然语言处理、智能答题、解题系统等多个领域。
 

优化与调试：

在训练过程中，根据初步结果调整模型参数、优化器、学习率等，提升模型的精度和表现。

对比不同学术领域的数据对模型效果的影响，确保全面覆盖所需知识点。
 

输出与应用：

完成训练后，将模型用于应用场景，如数学解题、教育平台智能化等。

数据包中的多语言、多层次数据支持广泛的应用场景，特别是涉及全球数学领域的AI项目。

通过此数据包，您将轻松获取多语言、多学术层次的高质量数学数据，为您的AI模型赋能。

发布日期：2024年9月9号（500G）

最新版本：2025年2月26号（726G）

更新日志：3月31号（906G），推出第二版数学类数据包，内含超过2亿条数据，与第一版0重复率。

更新日志：4月1号（896G），推出第三版数学类数据包，内含超过2亿条数据，与第一版、第二版0重复率。

在官网购买多个数据包时，你可以使用以下优惠码进行减免。（分批购买也可享有以下优惠活动）

• 10%优惠码：LLM10（购买2个Chegg数据包时使用，可直接减免10%金额）
• 20%优惠码：LLM20（购买4个Chegg数据包时使用，可直接减免20%金额）
• 30%优惠码：LLM30（购买6个Chegg数据包时使用，可直接减免30%金额）
• 40%优惠码：LLM40（购买8个Chegg数据包时使用，可直接减免40%金额）
• 50%优惠码：LLM50（购买10个Chegg数据包时使用，可直接减免50%金额）

注意：官网自助下单如数额较大，可能无法支付，需要联系客服获取大额支付方式。