数据集概览
AI-Scientist 学科数据集是由长沙朗慧信息科技有限公司提供的高质量科研数据集。本专题汇聚6个高质量数据集，涵盖大学数学、物理、化学、生物、地学、计算机科学等核心学科，包括标准化题库、考试真题、学术论文语料、以及HLE（人类最后考试）等前沿基准测试集。数据集经过严格清洗与标注，适用于大模型后训练（SFT/RLHF）、科学推理能力评估、学术辅助写作等场景。
| 数据集名称 | AI-Scientist 学科数据集 |
| 学科覆盖 | 数学、物理、化学、生物、地学、计算机 6大学科 |
| 数据类型 | 题库 + 考试数据 + 论文 + 专利 + 多模态 |
| 数据来源 | 自有 + 公开数据集整理 |
| 授权方式 | 自有授权 |
| 标注质量 | 领域专家审核 + 严格清洗流程 |
学科数据集
数学数据集
涵盖高等数学、线性代数、概率统计等核心学科的标准化试题与解析。
物理数据集
覆盖力学、电磁学、热力学、量子力学等大学物理核心内容。
化学数据集
有机化学、无机化学、物理化学、分析化学等核心分支的题库与实验数据。
生物数据集
分子生物学、细胞生物学、遗传学、生物化学等核心学科的题库与论文数据。
地学数据集
地质学、气象学、海洋科学、环境科学等领域的题库与科研数据。
计算机数据集
算法设计、数据结构、机器学习、人工智能等计算机科学核心题库与论文。
行业洞察
HLE人类最后考试基准揭示LLM推理上限
HLE基准测试覆盖3000+道跨学科难题，当前最强模型得分率不足10%，暴露LLM在深度推理上的根本性瓶颈。
高质量合成数据成后训练核心瓶颈
OpenAI、Anthropic等头部厂商将高质量合成数据列为最稀缺资源，科学领域合成数据门槛尤高。
科学AI(SciAI)被Nature列为年度突破技术
Nature将科学AI评为2025年度突破技术，预计2030年科学AI市场规模将突破500亿美元。
核心数据字段
每份数据包含完整的结构化字段，覆盖从元数据到核心内容的全方位信息。
| 字段类别 | 字段数 | 典型字段 |
|---|---|---|
| 题目元数据 | 8 | 题目ID、学科、子学科、知识点、难度等级、题型、来源、年份 |
| 题目内容 | 6 | 题干、选项（如有）、标准答案、详细解析、配图（如有）、参考文献 |
| 论文元数据 | 7 | 标题、作者、期刊/会议、年份、DOI、摘要、关键词 |
| 学科覆盖 | 6+ | 数学、物理、化学、生物、地学、计算机科学及细分方向 |
数据样例展示
以下为结构化 JSON 样例，展示典型题目数据格式。
{
"question_id": "SCI-2025-MATH-0001234",
"subject": "数学",
"sub_subject": "高等数学",
"topic": "多元函数微积分",
"difficulty": "大学-中级",
"question_type": "计算题",
"question": "计算二重积分 ∬D (x² + y²) dxdy，其中 D 是由 y=x 和 y=x² 围成的区域。",
"answer": "3/35",
"analysis": "首先确定积分区域 D 的边界，画出草图可知两条曲线的交点为 (0,0) 和 (1,1)...",
"source": "大学理科题库",
"year": 2025
}AI 应用场景
大模型科学推理训练
高质量学科题目用于大模型后训练（SFT/RLHF），提升科学推理与数学计算能力。
AI辅助教育
题库+解析数据驱动智能出题、自动批改、个性化学习路径推荐等教育AI场景。
学术辅助写作
论文语料支撑文献综述生成、研究方向推荐、学术写作润色等科研辅助工具训练。
科学知识图谱
多学科知识点关联与结构化，构建跨学科科学知识图谱，支撑智能搜索与推理。
基准测试与评估
HLE等基准数据集用于评估LLM科学推理极限，驱动模型迭代优化。
专利与技术分析
专利文献+技术报告数据支撑科技情报挖掘、技术趋势分析与竞争情报AI。