Nemotron-Math-Proofs-v3-SFT许可证与商用指南:CC BY 4.0协议要点、署名规范与合规清单
Nemotron-Math-Proofs-v3-SFT许可证与商用指南:CC BY 4.0协议要点、署名规范与合规清单
Nemotron-Math-Proofs-v3-SFT 是 NVIDIA 发布的长文本数学推理训练数据集,整套数据采用 CC BY 4.0(知识共享署名 4.0) 开放协议发布,官方 README.md 明确声明"is ready for commercial or non-commercial uses",即免费商用、非商用均可。本文带你快速吃透许可证要点、署名规范,并附一份可直接照做的商用合规清单。
一、先看懂项目:Nemotron-Math-Proofs-v3-SFT 是什么?
在做商用决策前,先确认你使用的"东西"是什么。该数据集包含 414,890 条样本,覆盖 15,818 道唯一证明题,由多轮"生成—验证—精修"流水线产出,包含 4 类任务轨迹:
| 项目 | 说明 |
|---|---|
| 发布方 | NVIDIA Corporation |
| 样本量 | 414,890 条(平均生成 token 约 91,110/条) |
| 任务类型 | proof(证明)、refinement(精修)、verification(验证)、meta_verification(元验证) |
| 文件格式 | JSONL,共 10 个分片 |
| 数据规模 | 约 121.95 GiB |
| 许可证 | CC BY 4.0 |
数据文件位于 data/ 目录,从 data/train-00000-of-00010.jsonl 到 data/train-00009-of-00010.jsonl,按顺序拼接即可还原完整训练集。
💡 一个值得注意的细节:每条样本都带有
license字段,取值均为cc-by-4.0,相当于许可证直接"盖章"在数据上,便于你在混合多来源数据时追溯义务。字段定义见 README.md。
二、CC BY 4.0 协议要点:一张表看懂"能做什么"
CC BY 4.0 是开放程度最高的知识共享协议之一,核心是"署名即可自由使用":
| 行为 | 是否允许 |
|---|---|
| 下载、复制、分发原始数据 | ✅ 允许 |
| 修改、裁剪、与其他数据集混合(衍生使用) | ✅ 允许 |
| 商业使用:商用训练、商用产品、商业 API | ✅ 允许 |
| 要求衍生作品同样开放(Copyleft 传染性) | ❌ 不要求 |
| 要求署名(Attribution) | ⚠️ 唯一强制义务 |
| 提供方提供担保或承担责任 | ❌ 明确不提供 |
简单总结:用、改、卖都行,但必须署名;出了问题责任自负。
三、署名规范:合规声明怎么写、写在哪
CC BY 4.0 的署名需要包含三类信息:作品名称 + 作者、许可证、修改说明(如有修改)。
1. 推荐署名文案(可直接复制)
本模型/产品训练数据包含 Nemotron-Math-Proofs-v3-SFT 数据集(NVIDIA Corporation),该数据集以 CC BY 4.0 协议发布。
2. 如果有裁剪、过滤、混合等修改行为,需追加一句
上述数据基于原始数据集进行了修改(如子集筛选与重平衡),修改部分版权归原作者及原协议约束。
3. 署名放在哪里?
- 模型卡片(Model Card)或数据集说明页(推荐,最醒目)
- 产品页脚、文档"数据与许可"章节
- 对外发布报告或技术博客的致谢部分
许可证依据见 README.md,官方建议用途(用于训练数学推理、证明验证类模型)见 README.md,商用时建议在产品文档中对照声明,避免超出预期用途范围引发争议。
四、商用合规清单:逐条打勾再上线
| # | 检查项 | 说明 | 完成 |
|---|---|---|---|
| 1 | 确认许可证类型 | 核对 README 中 CC BY 4.0 声明 | ☐ |
| 2 | 添加署名声明 | 作品名 + NVIDIA + CC BY 4.0 | ☐ |
| 3 | 声明修改行为 | 有裁剪/混合时注明"已修改" | ☐ |
| 4 | 保留样本 license 字段 |
内部数据管理可据此溯源 | ☐ |
| 5 | 不使用 NVIDIA 名义背书 | 不得暗示 NVIDIA 推荐或支持你的产品 | ☐ |
| 6 | 关注题目上游来源 | 题目源自 AoPS 社区,商用发布时建议一并说明来源 | ☐ |
| 7 | 记录版本 | 标注使用的是 v3-SFT 版本及获取日期 | ☐ |
| 8 | 留存合规证据 | 保存 README 快照与署名页面截图 | ☐ |
⚠️ 特别提示:CC BY 4.0 本身允许商用,但数据中的数学题目源自 AoPS 社区(见 README.md)。数据集许可证覆盖的是"数据集"这一作品,商业产品中建议对题目内容本身也做来源说明,这是最稳妥的做法。
五、快速获取并核验数据集
git clone https://gitcode.com/hf_mirrors/nvidia/Nemotron-Math-Proofs-v3-SFT
克隆完成后建议做 3 步核验:
- 打开 README.md,确认许可证段落为 CC BY 4.0;
- 检查
data/目录下 10 个 JSONL 分片齐全; - 抽取任意一条样本,确认
license字段为cc-by-4.0。
六、商用高频问题 FAQ 🙋
Q1:商用需要付费吗? 不需要。CC BY 4.0 是免费协议,商用只需履行署名义务。
Q2:用它训练的商业模型必须开源吗? 不需要。CC BY 4.0 不是 Copyleft 协议,模型权重、代码均可闭源商用,但仍需在模型/产品说明中为数据集署名。
Q3:可以和私有数据混合训练吗? 可以。混合后对来自该数据集的部分,CC BY 4.0 义务依然适用,建议内部维护数据来源清单以便追溯。
Q4:论文/报告里如何引用? 建议写明数据集名称 Nemotron-Math-Proofs-v3-SFT、发布方 NVIDIA 及 CC BY 4.0 协议,并可引用 README 中列出的技术报告作为背景文献。
Q5:发现数据质量问题可以找 NVIDIA 吗? 协议不提供担保,但 README 的 Ethical Considerations 部分提供了 NVIDIA 的问题上报渠道,可参考 README.md。
✅ 一句话总结:Nemotron-Math-Proofs-v3-SFT 可放心商用,记住三件事——署名、注明修改、说明题目来源,合规之路就此打通。