当大模型从「能说会写」迈向「能推理、会思考」数据的重要性正在被重新定义。过去海量通用语料支撑了语言模型的表达能力而今天真正决定模型上限的关隘正在逐步过渡为结构清晰、逻辑严密、具备多步推演过程的推理数据。无论是复杂数学问题、跨领域知识问答还是多步骤决策与工具调用能力背后都离不开高质量推理数据集的支撑。推理数据集可能专注于数学与逻辑亦或通过合成方式构造复杂推理链条再者也可用于多任务能力评估或是服务于科研基准测试与问答系统优化。但与此同时这些数据资源也呈现出明显的碎片化特征甚至以不同格式存在难以统一使用。这也让不少开发者和研究者在「找数据」这一步就消耗了大量时间。因此HyperAI 整理了一批优质的推理数据集覆盖多领域、多任务推理、合成推理训练数据科研评测基准以及大规模问答数据并支持下载或在线使用数据集降低推理数据集使用门槛。更多优质数据集https://hyper.ai/datasetsOpen-RL 推理问题数据集* 在线使用https://go.hyper.ai/jeDjnOpen-RL 是由 Turing 于 2026 年发布的多领域推理问题数据集包含物理学、数学、生物学和化学的独立、可验证和明确的 STEM 推理问题。每个问题需要多步推理涉及符号操作和/或数值计算且具有可客观验证的最终答案。该数据集适合用于强化学习微调、奖励建模、结果监督训练以及可验证推理基准测试。每个问题需要多步推理并涉及符号操作和数值计算具有可验证的最终答案。CHIMERA 通用推理合成数据集* 在线使用https://go.hyper.ai/SxK08CHIMERA 是一个专为推理训练设计的合成推理数据集涵盖广泛的 STEM 学科并提供长链思维CoT轨迹。该数据集包含 9,225 个问题8 个学科数学、计算机科学、化学、物理、文学、历史、生物学、语音学所有示例均由大型语言模型LLM生成并通过自动验证无需人工标注。学科分布:* 数学4,452*计算机科学1,303*化学1,102*物理742*文学504*历史422*生物学383*语言学317Nemotron-Math-v2 数学推理数据集* 在线使用https://go.hyper.ai/eVJYPNemotron-Math-v2 是一个由 NVIDIA Corporation 发布的数学推理数据集主要用于训练 LLM 以执行结构化数学推理研究工具增强的推理与纯语言推理的差异以及构建长语境或多轨迹推理系统等。该数据集包含约 34.7 万个高质量数学问题和 700 万个模型生成的推理轨迹。每个问题在六种配置下进行求解高 / 中 / 低推理深度与是否使用 Python TIR答案通过 LLM 作为裁判的管道进行验证。OmniSpatial 全景空间推理基准数据集* 在线使用https://go.hyper.ai/JovuNOmniSpatial 是由清华大学联合上海期智研究院、上海人工智能实验室等机构于 2025 年发布的一个全景空间推理基准数据集相关论文成果为「OmniSpatial: Towards Comprehensive Spatial Reasoning Benchmark for Vision Language Models」旨在填补视觉 – 语言模型空间理解评测的空白。该数据集包含约 1,533 个图像 – 问答样本涵盖动态推理Dynamic Reasoning、复杂空间逻辑Complex Spatial Logic、空间交互Spatial Interaction和视角转换Perspective Taking四大类空间推理任务共计 50 个子任务。数据来源多样涵盖互联网图像、心理学测试与驾驶考试题标注经多轮审核保证质量与多样性。与传统基准相比OmniSpatial 避免了模板化构造更贴近真实复杂场景不仅测试基础空间关系如前后、左右、远近还强调多物体交互、场景变化和跨视角推理。该数据集适用于训练与评测多模态大模型的空间推理能力特别是在智能导航、增强/虚拟现实以及复杂场景理解等应用中是一个全面而具有挑战性的标准化基准数据集。FrontierScience 推理科研任务评测数据集* 在线使用https://go.hyper.ai/LbkIfFrontierScience 是由 OpenAI 于 2025 年发布的一个推理 科研任务评测数据集旨在系统性评估大模型在专家级科学推理与科研子任务的能力。该数据集采用了「专家原创 双层任务结构 可自动评分机制」的设计机制划分为两个子集分别对应封闭式精确推理与开放式科研推理两类能力Olympiad 数据集由国际物理、化学和生物奥林匹克竞赛的奖牌获得者及国家队教练原创设计问题难度对标 IPhO 、 IChO 和 IBO 等国际顶级竞赛聚焦短答案推理任务要求模型输出单一数值、代数表达式或可模糊匹配的生物学术语以保证结果的可验证性和自动评测的稳定性。Research 数据集由博士生、博士后及教授等在职科研人员撰写题目模拟真实科研过程中可能遇到的子问题覆盖物理、化学与生物三大领域。每道题目均配套 10 分制的细粒度评分用于评估模型在答案正确性之外在建模假设、推理路径与中间结论等多个关键环节的完成情况。HotpotQA 问答数据集* 在线使用https://go.hyper.ai/Z1hhnHotpotQA 数据集是一个在英文维基百科上收集的大规模问答数据集包括 11.3 万个众包问题要回答这些问题需要参照两篇维基百科文章的介绍段落。每个问题都包含两个黄金段落 (gold paragraph) 以及部分段落中的句子列表这些句子列表中提供的支持性事实被认定为是回答问题所必需的。该数据集具有以下特征* 问题需要在多个支持文档中查找和推理才能回答* 问题是多样化的不受任何预先存在的知识库或知识模式的限制* 该数据集提供推理所需的句子级支持事实让 QA 系统在强监督下进行推理并解释预测* 该数据集提供了一种新型的事实比较问题来测试 QA 系统提取相关事实并进行必要比较的能力。VCR 视觉常识推理数据集* 在线使用https://go.hyper.ai/xzdreVCR 全称 Visual Commonsense Reasoning是一个用于视觉常识推理的大规模数据集。该数据集提出了关于图像的具有挑战性的问题机器需要完成两个子任务正确回答问题以及提供理由证明其答案的合理性。VCR 数据集包含大量问题其中 212K 个用于训练26K 个用于验证25K 个用于测试。答案和理由来自超过 110K 个不重复的电影场景。数据集示例CIRR 图像合成检索数据集* 在线使用https://go.hyper.ai/mvXoACIRR 全称 Compose Image Retrieval on Real-life images包含超过 36,000 对众包的、开放域图像与人工生成的修改文本。该数据集旨在促进未来对视觉语言学概念的微妙推理的研究以及用对话进行迭代检索通过更强调区分开放域视觉相似图像来解决现有数据集的缺陷。数据集示例
数据集汇总丨英伟达/OpenAI及多所科研机构开源推理数据集，覆盖数学/全景空间/Wiki问答/科研任务/视觉常识等
发布时间：2026/5/17 1:20:08
当大模型从「能说会写」迈向「能推理、会思考」数据的重要性正在被重新定义。过去海量通用语料支撑了语言模型的表达能力而今天真正决定模型上限的关隘正在逐步过渡为结构清晰、逻辑严密、具备多步推演过程的推理数据。无论是复杂数学问题、跨领域知识问答还是多步骤决策与工具调用能力背后都离不开高质量推理数据集的支撑。推理数据集可能专注于数学与逻辑亦或通过合成方式构造复杂推理链条再者也可用于多任务能力评估或是服务于科研基准测试与问答系统优化。但与此同时这些数据资源也呈现出明显的碎片化特征甚至以不同格式存在难以统一使用。这也让不少开发者和研究者在「找数据」这一步就消耗了大量时间。因此HyperAI 整理了一批优质的推理数据集覆盖多领域、多任务推理、合成推理训练数据科研评测基准以及大规模问答数据并支持下载或在线使用数据集降低推理数据集使用门槛。更多优质数据集https://hyper.ai/datasetsOpen-RL 推理问题数据集* 在线使用https://go.hyper.ai/jeDjnOpen-RL 是由 Turing 于 2026 年发布的多领域推理问题数据集包含物理学、数学、生物学和化学的独立、可验证和明确的 STEM 推理问题。每个问题需要多步推理涉及符号操作和/或数值计算且具有可客观验证的最终答案。该数据集适合用于强化学习微调、奖励建模、结果监督训练以及可验证推理基准测试。每个问题需要多步推理并涉及符号操作和数值计算具有可验证的最终答案。CHIMERA 通用推理合成数据集* 在线使用https://go.hyper.ai/SxK08CHIMERA 是一个专为推理训练设计的合成推理数据集涵盖广泛的 STEM 学科并提供长链思维CoT轨迹。该数据集包含 9,225 个问题8 个学科数学、计算机科学、化学、物理、文学、历史、生物学、语音学所有示例均由大型语言模型LLM生成并通过自动验证无需人工标注。学科分布:* 数学4,452*计算机科学1,303*化学1,102*物理742*文学504*历史422*生物学383*语言学317Nemotron-Math-v2 数学推理数据集* 在线使用https://go.hyper.ai/eVJYPNemotron-Math-v2 是一个由 NVIDIA Corporation 发布的数学推理数据集主要用于训练 LLM 以执行结构化数学推理研究工具增强的推理与纯语言推理的差异以及构建长语境或多轨迹推理系统等。该数据集包含约 34.7 万个高质量数学问题和 700 万个模型生成的推理轨迹。每个问题在六种配置下进行求解高 / 中 / 低推理深度与是否使用 Python TIR答案通过 LLM 作为裁判的管道进行验证。OmniSpatial 全景空间推理基准数据集* 在线使用https://go.hyper.ai/JovuNOmniSpatial 是由清华大学联合上海期智研究院、上海人工智能实验室等机构于 2025 年发布的一个全景空间推理基准数据集相关论文成果为「OmniSpatial: Towards Comprehensive Spatial Reasoning Benchmark for Vision Language Models」旨在填补视觉 – 语言模型空间理解评测的空白。该数据集包含约 1,533 个图像 – 问答样本涵盖动态推理Dynamic Reasoning、复杂空间逻辑Complex Spatial Logic、空间交互Spatial Interaction和视角转换Perspective Taking四大类空间推理任务共计 50 个子任务。数据来源多样涵盖互联网图像、心理学测试与驾驶考试题标注经多轮审核保证质量与多样性。与传统基准相比OmniSpatial 避免了模板化构造更贴近真实复杂场景不仅测试基础空间关系如前后、左右、远近还强调多物体交互、场景变化和跨视角推理。该数据集适用于训练与评测多模态大模型的空间推理能力特别是在智能导航、增强/虚拟现实以及复杂场景理解等应用中是一个全面而具有挑战性的标准化基准数据集。FrontierScience 推理科研任务评测数据集* 在线使用https://go.hyper.ai/LbkIfFrontierScience 是由 OpenAI 于 2025 年发布的一个推理 科研任务评测数据集旨在系统性评估大模型在专家级科学推理与科研子任务的能力。该数据集采用了「专家原创 双层任务结构 可自动评分机制」的设计机制划分为两个子集分别对应封闭式精确推理与开放式科研推理两类能力Olympiad 数据集由国际物理、化学和生物奥林匹克竞赛的奖牌获得者及国家队教练原创设计问题难度对标 IPhO 、 IChO 和 IBO 等国际顶级竞赛聚焦短答案推理任务要求模型输出单一数值、代数表达式或可模糊匹配的生物学术语以保证结果的可验证性和自动评测的稳定性。Research 数据集由博士生、博士后及教授等在职科研人员撰写题目模拟真实科研过程中可能遇到的子问题覆盖物理、化学与生物三大领域。每道题目均配套 10 分制的细粒度评分用于评估模型在答案正确性之外在建模假设、推理路径与中间结论等多个关键环节的完成情况。HotpotQA 问答数据集* 在线使用https://go.hyper.ai/Z1hhnHotpotQA 数据集是一个在英文维基百科上收集的大规模问答数据集包括 11.3 万个众包问题要回答这些问题需要参照两篇维基百科文章的介绍段落。每个问题都包含两个黄金段落 (gold paragraph) 以及部分段落中的句子列表这些句子列表中提供的支持性事实被认定为是回答问题所必需的。该数据集具有以下特征* 问题需要在多个支持文档中查找和推理才能回答* 问题是多样化的不受任何预先存在的知识库或知识模式的限制* 该数据集提供推理所需的句子级支持事实让 QA 系统在强监督下进行推理并解释预测* 该数据集提供了一种新型的事实比较问题来测试 QA 系统提取相关事实并进行必要比较的能力。VCR 视觉常识推理数据集* 在线使用https://go.hyper.ai/xzdreVCR 全称 Visual Commonsense Reasoning是一个用于视觉常识推理的大规模数据集。该数据集提出了关于图像的具有挑战性的问题机器需要完成两个子任务正确回答问题以及提供理由证明其答案的合理性。VCR 数据集包含大量问题其中 212K 个用于训练26K 个用于验证25K 个用于测试。答案和理由来自超过 110K 个不重复的电影场景。数据集示例CIRR 图像合成检索数据集* 在线使用https://go.hyper.ai/mvXoACIRR 全称 Compose Image Retrieval on Real-life images包含超过 36,000 对众包的、开放域图像与人工生成的修改文本。该数据集旨在促进未来对视觉语言学概念的微妙推理的研究以及用对话进行迭代检索通过更强调区分开放域视觉相似图像来解决现有数据集的缺陷。数据集示例
