OpenThoughts: Recetas de Datos para Modelos de Razonamiento
OpenThoughts: Data Recipes for Reasoning Models
June 4, 2025
Autores: Etash Guha, Ryan Marten, Sedrick Keh, Negin Raoof, Georgios Smyrnis, Hritik Bansal, Marianna Nezhurina, Jean Mercat, Trung Vu, Zayne Sprague, Ashima Suvarna, Benjamin Feuer, Liangyu Chen, Zaid Khan, Eric Frankel, Sachin Grover, Caroline Choi, Niklas Muennighoff, Shiye Su, Wanjia Zhao, John Yang, Shreyas Pimpalgaonkar, Kartik Sharma, Charlie Cheng-Jie Ji, Yichuan Deng, Sarah Pratt, Vivek Ramanujan, Jon Saad-Falcon, Jeffrey Li, Achal Dave, Alon Albalak, Kushal Arora, Blake Wulfe, Chinmay Hegde, Greg Durrett, Sewoong Oh, Mohit Bansal, Saadia Gabriel, Aditya Grover, Kai-Wei Chang, Vaishaal Shankar, Aaron Gokaslan, Mike A. Merrill, Tatsunori Hashimoto, Yejin Choi, Jenia Jitsev, Reinhard Heckel, Maheswaran Sathiamoorthy, Alexandros G. Dimakis, Ludwig Schmidt
cs.AI
Resumen
Los modelos de razonamiento han avanzado rápidamente en muchos benchmarks que involucran matemáticas, código y ciencias. Sin embargo, aún existen muchas preguntas abiertas sobre las mejores estrategias de entrenamiento para el razonamiento, ya que los modelos de última generación a menudo dependen de conjuntos de datos propietarios con poca o ninguna información pública disponible. Para abordar esto, el objetivo del proyecto OpenThoughts es crear conjuntos de datos de código abierto para entrenar modelos de razonamiento. Tras exploraciones iniciales, nuestro conjunto de datos OpenThoughts2-1M dio lugar a OpenThinker2-32B, el primer modelo entrenado con datos públicos de razonamiento que iguala a DeepSeek-R1-Distill-32B en benchmarks estándar de razonamiento como AIME y LiveCodeBench. Luego, mejoramos nuestro conjunto de datos mediante la investigación sistemática de cada paso de nuestra pipeline de generación de datos con más de 1,000 experimentos controlados, lo que resultó en OpenThoughts3. Al escalar la pipeline a 1.2 millones de ejemplos y utilizar QwQ-32B como modelo maestro, obtuvimos nuestro modelo OpenThinker3-7B, que alcanza resultados de última generación: 53% en AIME 2025, 51% en LiveCodeBench 06/24-01/25 y 54% en GPQA Diamond. Todos nuestros conjuntos de datos y modelos están disponibles en https://openthoughts.ai.
English
Reasoning models have made rapid progress on many benchmarks involving math,
code, and science. Yet, there are still many open questions about the best
training recipes for reasoning since state-of-the-art models often rely on
proprietary datasets with little to no public information available. To address
this, the goal of the OpenThoughts project is to create open-source datasets
for training reasoning models. After initial explorations, our OpenThoughts2-1M
dataset led to OpenThinker2-32B, the first model trained on public reasoning
data to match DeepSeek-R1-Distill-32B on standard reasoning benchmarks such as
AIME and LiveCodeBench. We then improve our dataset further by systematically
investigating each step of our data generation pipeline with 1,000+ controlled
experiments, which led to OpenThoughts3. Scaling the pipeline to 1.2M examples
and using QwQ-32B as teacher yields our OpenThinker3-7B model, which achieves
state-of-the-art results: 53% on AIME 2025, 51% on LiveCodeBench 06/24-01/25,
and 54% on GPQA Diamond. All of our datasets and models are available on
https://openthoughts.ai.