zxcgvbgfdg/aha-moment-dataset

Aha Moment Dataset for Verl Framework

基于DeepSeek-R1的"顿悟时刻"方法论构建的高质量中文数学推理数据集。

数据集概述

• —总问题数: 1000
• —顿悟覆盖率: 100.0%
• —问题类型: 10种数学类型
• —难度分布: 1-5级

数据集文件

• —aha_moment_dataset.jsonl - 完整数据集（JSONL格式）
• —aha_moment_dataset.json - 完整数据集（JSON格式）
• —aha_moment_dataset_sample.jsonl - 示例数据集（100题）
• —aha_moment_dataset_train.jsonl - 训练集（90%）
• —aha_moment_dataset_val.jsonl - 验证集（10%）
• —aha_moment_dataset_verl_format.jsonl - Verl框架专用格式
• —dataset_statistics.json - 数据集统计信息

问题类型分布

• —logic_puzzle: 46 (4.6%)
• —math_algebra: 121 (12.1%)
• —math_basic: 152 (15.2%)
• —math_combinatorics: 148 (14.8%)
• —math_geometry: 126 (12.6%)
• —mathnumbertheory: 87 (8.7%)
• —math_probability: 101 (10.1%)
• —mathwordproblem: 113 (11.3%)
• —optimization: 47 (4.7%)
• —pattern_recognition: 59 (5.9%)

难度分布

• —Level 1: 205 (20.5%)
• —Level 2: 311 (31.1%)
• —Level 3: 296 (29.6%)
• —Level 4: 127 (12.7%)
• —Level 5: 61 (6.1%)

关键洞察类型

• —pattern_generalization: 325 (32.5%)
• —algebraic_simplification: 264 (26.4%)
• —alternative_representation: 139 (13.9%)
• —invariance_recognition: 65 (6.5%)
• —complementary_counting: 56 (5.6%)
• —geometric_visualization: 42 (4.2%)
• —reverse_thinking: 41 (4.1%)
• —boundary_analysis: 38 (3.8%)
• —symmetry_recognition: 30 (3.0%)

使用方法

1. 直接使用JSONL格式

import json

problems = []
with open("aha_moment_dataset.jsonl", "r", encoding="utf-8") as f:
    for line in f:
        problems.append(json.loads(line))

# 访问问题
for problem in problems:
    print(f"Question: {problem['question']}")
    print(f"Answer: {problem['answer']}")
    print(f"Solution: {problem['solution']}")
    print(f"Aha Description: {problem['aha_description']}")
    print("---")

2. 使用Verl格式

import json

with open("aha_moment_dataset_verl_format.jsonl", "r", encoding="utf-8") as f:
    for line in f:
        item = json.loads(line)
        print(f"Prompt: {item['prompt']}")
        print(f"Ground Truth: {item['reward_model']['ground_truth']}")
        print(f"Extra Info: {item['extra_info']}")
        print("---")

3. 使用HuggingFace Datasets

from datasets import load_dataset

dataset = load_dataset("json", data_files="aha_moment_dataset.jsonl")
print(dataset)

数据格式说明

每个问题包含以下字段：

• —question: 数学问题
• —answer: 标准答案
• —solution: 详细解题步骤
• —question_type: 问题类型
• —difficulty: 难度（1-5）
• —has_aha_moment: 是否包含顿悟时刻
• —aha_description: 顿悟描述
• —key_insight: 关键洞察类型
• —distractors: 常见错误答案
• —verification_steps: 验证步骤

Verl格式额外字段

• —data_source: 数据来源
• —prompt: 训练提示
• —ability: 能力类型
• —reward_model: 奖励模型配置
• —extra_info: 额外信息

引用

如果您使用了这个数据集，请引用：

@misc{aha_moment_dataset,
  title={Aha Moment Dataset: Chinese Math Reasoning for DeepSeek-R1 Reproduction},
  author={Verl Team},
  year={2024}
}