【免费下载链接】Spark-234K项目地址https://ai.gitcode.com/hf_mirrors/OpenDataArena/Spark-234K点击查看免费下载Spark-234K是一个面向科学推理scientific reasoning的大规模数据集包含 234K 条从前沿科研文献中合成的问答对。它最大的亮点不是直接照论文出题而是先用一套Skeleton-Guided骨架引导方法把每篇论文蒸馏成紧凑的推理骨架再基于骨架构造高难度、自包含的问题。这套先蒸馏、后出题的流水线正是它在 Qwen 系列模型 SFT 中跑出 60.83 / 63.88 高分背后的核心技巧。下面带你逐层拆解这个数据集是如何炼成的。为什么直接照论文出题不够让大模型读完整篇论文后直接生成问答常见问题是题目不自包含答案依赖原文某段表述脱离论文就没法做难度偏低多数是事实复述而非多步推理证据链缺失结论、证据、假设、边界条件混在一起无法结构化复用。Spark-234K 的解法是把读论文和出题目解耦成两步蒸馏先把论文压成以核心结论为中心的推理骨架出题再从多个互补推理视角基于骨架生成有挑战性的题目。这一步骨架蒸馏是整个项目最值得借鉴的技巧。四步数据构造流水线从 336 万篇论文到 23.4 万问答对Spark-234K 构建在SCI-BASE约 336 万篇、覆盖 10 个学科之上经过过滤与学科均衡采样后得到约 37 万篇前沿论文再走四步流水线第 1 步Reasoning Skeleton Extraction推理骨架提取每篇论文被蒸馏成一个claim-centered结论为中心的骨架保留五类关键信息骨架要素作用核心结论central claim题目的题眼论证步骤argumentation steps保证推理链完整可观测证据observables提供定量支撑假设前提assumptions界定适用条件边界条件boundary conditions制造陷阱与变式题 技巧点骨架不是摘要。它刻意保留定量关系和边界条件这为后续生成 L4/L5 级难度题目提供了素材库。第 2 步Multi-Perspective Question Generation多视角出题不从一个角度反复出题而是从多个互补的推理视角构造问题最大化难度与多样性——同一个骨架既能考由因推果也能考条件反转后结论是否成立。第 3 步Answer Generation Quality Check答案生成与质检生成答案时模型不能接触原论文只依赖骨架和题目本身从机制上保证题目自包含。随后对每条三元组做四重校验self-containment自包含性source consistency与原文一致answer coherence答案连贯reasoning grounding推理有据第 4 步Deduplication Decontamination去重与防污染按学科做语义去重并对下游 benchmark 做13-gram 精确匹配防污染避免评测分数虚高。这一条常被数据工程忽视却是科学推理数据集可信度的关键防线。️学科分布10 大科学领域均衡但有侧重Spark-234K 覆盖 10 个科学学科采用学科均衡采样其中Physics物理、Mathematics CS数学与计算机、Chemistry化学占比最大质量报告93% 以上是 L4/L5 级高难推理题数据质量的三个硬指标99.73%自包含率——题目脱离原文也能独立求解超过93%的问题被判定为L4 Multi-Step多步推理或L5 Research-Level研究级难度对 10 个学科共 300 条样本的分层人工审计与专家答案的一致率达90.3%。SFT 实战效果23.4K 数据胜过更大的数据集在 Qwen 系列模型上做 SFT监督微调对比Spark-234K 以远小于对手的规模持续领先训练数据Qwen3-8BQwen3-14B最强竞品数据集56.3660.45Spark-234K60.8363.88这说明对推理能力而言数据的结构质量骨架化 高难度 自包含比单纯堆数量更重要。快速上手获取和使用 Spark-234K 数据数据文件以两种格式提供位于仓库根目录Spark-234K-data.parquetParquet 格式适合大规模训练场景直接读取Spark-234K-data.jsonlJSONL 格式方便逐条查看与调试。克隆仓库并加载数据git clone https://gitcode.com/hf_mirrors/OpenDataArena/Spark-234K cd Spark-234K python -c from datasets import load_dataset; ds load_dataset(parquet, data_filesSpark-234K-data.parquet); print(ds)数据集元信息任务类别为 text-generation、标签含 scientific-reasoning / sft定义在 README.md 的 frontmatter 中数据构造流程的完整描述见 README.md。总结三条可复用的核心技巧骨架先于题目把长文本蒸馏为结论—证据—假设—边界的结构化骨架再出题自包含率可达 99.73%多视角 防污染多推理视角提升难度多样性13-gram 防污染保住评测可信度小规模高质量 SFT23.4K 条骨架化数据即可让 8B/14B 模型在科学推理任务上超越更大规模的竞品数据集。这套推理骨架蒸馏思路不仅适用于科研文献也可迁移到法律、医学等长文档推理场景。赞分享【免费下载链接】Spark-234K项目地址https://ai.gitcode.com/hf_mirrors/OpenDataArena/Spark-234K点击查看免费下载相关推荐Spark-234K深度解读EMNLP 2026新晋234K科学推理数据集如何让Qwen3成绩暴涨4.5分Spark 234K深度解读EMNLP 2026新晋234K科学推理数据集如何让Qwen3成绩暴涨4.5分 Spark 234K 是 EMNLP 2026JointJS Container 与 Embedding 嵌套容器实战基于分组容器的折叠、嵌入与自适应布局实现JointJS Container 与 Embedding 嵌套容器实战基于分组容器的折叠、嵌入与自适应布局实现 本篇技术指南以 JointJS 官方示例 eimmortal-skill 如何把一个人蒸成数字分身四维蒸馏法完整解析immortal skill 如何把一个人蒸成数字分身四维蒸馏法完整解析 immortal skill 是一个开源的 数字永生框架 核心能力是「四维蒸馏」上一篇OptiScaler终极指南3分钟学会跨GPU超分辨率优化免费提升游戏画质50%下一篇3个步骤解决OBS Studio启动失败从崩溃诊断到流畅运行的完整指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考