This dataset is strictly licensed under CC-BY-NC 4.0 for non-commercial academic research and benchmarking. Commercial exploitation, proprietary fine-tuning, and direct integration into revenue-generating foundation models require a commercial license.

🧠 LaplaceReason-Continuous-Dynamics™ (Community Benchmark Split)

LaplaceReason Logo

El Primer Dataset Masivo de Razonamiento Matemático Continuo y Dinámica de Sistemas Certificado Determinísticamente ($\text{Residual } < 10^{-14}$)

1. 📖 Resumen y Motivación Científica

Los Modelos de Lenguaje de Frontera (DeepSeek-R1, OpenAI o1/o3, Qwen-2.5-Math, Claude 3.7 Sonnet) han alcanzado un rendimiento sobresaliente en problemas de matemática discreta (aritmética, teoría de números, combinatoria GSM8K/MATH). Sin embargo, sufren un colapso sistemático de alucinación cuando se enfrentan a sistemas continuos, física matemática y cálculo operacional:

Confunden órdenes de funciones de transferencia y estabilidad de Lyapunov.
No logran resolver sistemas diferenciales acoplados con rigidez temporal (Stiff ODEs).
Fracasan al proyectar trayectorias analíticas continuas y modos oscilatorios multiescala.

LaplaceReason™ resuelve este desafío aportando pares estructurados de problema, cadena analítica de deducción (Chain-of-Thought) y solución exacta, generados a partir de los operadores matemáticos de Root-Free Laplace y Matrix-Pencil SVD, certificados con error residual $< 10^{-14}$.

⚡ ¿Por qué LaplaceReason™ supera a generadores sintéticos genéricos (SymPy / Wolfram)?

Característica / Tecnología	Scripts Básicos (SymPy / Wolfram)	LaplaceReason™ Suite (MedLaplace AI)
Naturaleza Matemática	Manipulación simbólica genérica de EDOs escolares elementales.	Cálculo operacional continuo, subespacios de Hankel y física de sistemas.
*Sistemas Rígidos (Stiff ODEs)*	Colapsan o entregan expresiones irracionales inmanejables para LLMs.	Desacoplo multiescala exacto ($S > 100\times$) con evaluación en capas límite rápidas y relajación lenta.
Tratamiento de Señal y Vídeo	Inexistente.	Randomized SVD (rSVD) + Ley Universal de Gavish-Donoho para vídeo a $> 30\text{ FPS}$.
Super-Resolución Modal	Limitado por Fourier / FFT con ensanchamiento y fuga espectral.	Haz de matrices (Matrix-Pencil SVD) libre de fuga espectral en tiempo real.
Cinemática a 1.000 Hz	No implementada.	Extrapolación modal con desfase dinámico cero ($\Delta \phi = 0$), superando a filtros Kalman CA-KF.
Bucle de Auto-Corrección (Self-Verification)	Respuestas cerradas sin comprobación inversa.	Auto-verificación formal paso a paso (sustitución en la EDO original, comprobación de residuo nulo y teoremas asintóticos) para entrenar modelos tipo o1/R1.
Velocidad de Generación	Lenta (~0.5 s por ejemplo simbólico; 6 días para 1M).	Ultra-rápida (> 7.000 ejemplos/segundo en C99/NumPy; 1M en 2.5 minutos).

2. 🔬 Catálogo de Problemas (7 Familias Matemáticas)

Cada registro del dataset pertenece a una de las siguientes siete familias fundamentales:

Familia de Problema	Descripción Matemática	Competencia Evaluada
`rational_transfer_function`	Funciones racionales $H(s) = P(s)/Q(s)$ de orden $K \in [2, 60]$.	Cota de Fujiwara $\mathcal{O}(K)$, recurrencia de Laurent-Stirling y respuesta temporal impulsional $h(t)$.
`stiff_system`	EDOs acopladas rígidas ($S = \lambda_{\max}/\lambda_{\min} > 100\times$).	Razonamiento multitemporal (capa límite rápida vs relajación lenta asintótica).
`fast_rsvd_gavish_donoho`	[Vídeo en Tiempo Real] Randomized SVD ($\mathcal{O}(MKl)$) y Ley Universal de Rango Óptimo de Gavish-Donoho $\tau = \omega(\beta) \sigma_{\text{med}}$.	Supresión analítica de ruido térmico y aceleración computacional $8\times$ para vídeo a $> 30\text{ FPS}$.
`volumetric_3d_oct_cscan`	[Volumetría Tomográfica 3D] Reconstrucción continua C-scan con densificación spline bicúbica en eje lento ($8\times$).	Extracción de hipersuperficie tisular de reflectividad y proyecciones ortogonales MPR (Sagital, Coronal, Transversal).
`kinematic_trajectory_prediction`	[Cinemática a 1.000 Hz] Extrapolación analítica de polos en el plano $s$ (Dataset LASA).	Predicción de horizonte continuo con desfase dinámico cero, superando al Filtro de Kalman Cinemático en $> 85%$ de reducción de error ADE.
`matrix_pencil_modal`	Señales transitorias libres de múltiples osciladores amortiguados.	Descomposición en subespacios de Hankel y extracción exacta de polos en el plano $s$ sin límite de Fourier.
`rlc_ladder_network`	Redes pasivas RLC en escalera de múltiples celdas acopladas.	Retardo de grupo analítico en cascada y frecuencias de corte de orden $2N$.

3. 🚀 Cómo Utilizar este Dataset en Python

Carga Directa con Hugging Face `datasets`

from datasets import load_dataset

# Cargar split de prueba o entrenamiento
dataset = load_dataset("json", data_files={
    "train": "data/train.jsonl",
    "validation": "data/val.jsonl",
    "test": "data/test.jsonl"
})

print("Ejemplo 1:")
print("Problema:", dataset["train"][0]["messages"][1]["content"])
print("Razonamiento (CoT):", dataset["train"][0]["messages"][2]["content"])

Formato de Registro (ChatML / DeepSeek-R1 Standard)

{
  "id": "LAPLACE_COT_RSVD_000789",
  "type": "fast_rsvd_gavish_donoho",
  "messages": [
    {
      "role": "system",
      "content": "Eres un sistema de razonamiento matemático y científico de nivel experto..."
    },
    {
      "role": "user",
      "content": "En un sistema de tomografía o sensado espectral a velocidad de vídeo (Video-Rate OCT), se adquiere una matriz rectangular de trayectoria de Hankel $Y \\in \\mathbb{R}^{M \\times K}$ de dimensiones $M = 340$ filas por $K = 170$ columnas..."
    },
    {
      "role": "assistant",
      "content": "<thought>\n1. **Cálculo del Aspect Ratio y Coeficiente de Gavish-Donoho:**\n   - $\\beta = 170 / 340 = 0.5000$\n   - $\\omega(\\beta) \\approx 0.56\\beta^3 - 0.95\\beta^2 + 1.82\\beta + 1.43 = 2.1475$\n   - $\\tau = \\omega(\\beta) \\cdot \\sigma_{\\text{med}} = ...$\n</thought>\n\n<answer>\n### Parámetros de Video-Rate rSVD y Gavish-Donoho Certificados:\n1. Umbral de corte analítico: $$\\boxed{\\tau = 5.1200}$$\n2. Rango de señal efectivo: $$\\boxed{k^* = 4}$$\n</answer>"
    }
  ],
  "metadata": {
    "M": 340,
    "K": 170,
    "beta": 0.5,
    "tau": 5.12,
    "detected_rank": 4
  }
}

4. ⚖️ Verificador Determinista para Reinforcement Learning (RL GRPO / PPO)

El repositorio incluye laplace_cot_verifier.py, un modelo de recompensa determinista basado en reglas que evalúa:

Formato estricto: Presencia de etiquetas <thought>...</thought> y <answer>...</answer>.
Precisión analítica: Comparación de resultados frente a las soluciones analíticas certificadas (metadata).
Calidad analítica: Detección de pasos de deducción matemática formal en la cadena de razonamiento.

from laplace_cot_verifier import LaplaceReasoningVerifier

verifier = LaplaceReasoningVerifier()
eval_result = verifier.verify_completion(
    model_output=completion_text, 
    metadata=sample["metadata"], 
    problem_type=sample["type"]
)
print("Recompensa Total:", eval_result["total_reward"])  # Rango [0.0, 1.0]

5. 💼 Licenciamiento y Versión Comercial Enterprise

Este repositorio de Hugging Face contiene el split comunitario de evaluación bajo licencia CC-BY-NC 4.0 (Investigación Académica No Comercial).

Para producción, preentrenamiento y modelos comerciales sin royalties sobre pesos, adquiera su paquete oficial en nuestra tienda de Lemon Squeezy:

Nivel de Licencia	Precio	Contenido y Derechos	Enlace de Compra Directa
Tier 1: Researcher Pro	290 €	Benchmark curado completo + Verifier determinista + Licencia de investigación académica.	🛒 Comprar Tier 1
Tier 2: Commercial AI Startup	1.990 € – 3.900 €	Lote de 1M de ejemplos de producción con deducción paso a paso y auto-verificación + Scripts SFT/GRPO + Licencia comercial para producción.	🛒 Comprar Tier 2
Tier 3: Enterprise 10M Batch	4.400 €	Lote masivo de 10.000.000 de ejemplos (~12B tokens) shardeados para clústeres Slurm/Ray + Verificador Multiproceso Paralelo + Licencia Corporativa Ilimitada.	🛒 Comprar Tier 3

👉 Enlace directo a la tienda: https://rootfreelaplace.lemonsqueezy.com

6. 🛠️ Servicios de Ingeniería y Síntesis de Datos Bajo Demanda (Bespoke Data Synthesis)

¿Su laboratorio de IA o empresa tecnológica está entrenando modelos de razonamiento especializados en física matemática, ingeniería aeroespacial, robótica industrial o sensado biomédico?

El equipo del Prof. Pablo Enrique Aballe Vázquez (MedLaplace AI™) ofrece servicios de diseño, formulación analítica y síntesis masiva de datasets bajo demanda adaptados a sus requerimientos propietarios:

Capacidades Técnicas Bajo Demanda:

Física y Aeroespacial de Vanguardia: EDOs y EDPs no lineales acopladas, aerodinámica supersónica/hipersónica, flutter aeroelástico, guiado y control orbital, combustión reactiva en estatorreactores.
Biomecánica y Señales Clínicas Continuas: Dinámica cardiovascular (ECG multi-lead, arritmias, PPG hemodinámico), modelado hemodinámico y reconstrucción tomográfica 3D OCT C-scan.
Control Robótico en Tiempo Real a 1.000 Hz: Extrapolación cinemática continua en subespacios de Hankel con desfase dinámico nulo ($\Delta \phi = 0$) para buses industriales (EtherCAT, CANopen).
Verificadores Deterministas Propietarios de RL: Desarrollo de funciones de recompensa y verifiers de reglas en Python/C99 para entrenamiento masivo con GRPO / PPO a coste cero de inferencia.
Capacidad de Producción a Escala: Motor de generación en C99/NumPy capaz de sintetizar > 7.200 ejemplos de razonamiento certificados por segundo (capacidad de entrega de 10M a 50M de ejemplos en días).
Seguridad Jurídica y Exclusividad: Acuerdos marco corporativos con firma de Acuerdo de Confidencialidad (NDA), transferencia total de derechos y propiedad absoluta de los datos generados sin reutilización cruzada.

📩 Solicite una propuesta técnica o sesión de consultoría científica:

Correo Institucional / Propuestas: presidencia@laplaceaerospace.org
Perfil Hugging Face: @pabloenrique
Tienda Oficial y Pasarela Comercial: rootfreelaplace.lemonsqueezy.com

7. 📄 Citación Académica

@dataset{aballe2026laplacereason,
  author       = {Pablo Enrique Aballe Vázquez},
  title        = {LaplaceReason: Certified Continuous Reasoning and Dynamic Systems Dataset for LLMs},
  year         = {2026},
  publisher    = {MedLaplace Technologies},
  url          = {https://rootfreelaplace.lemonsqueezy.com}
}

Citation

If you use this benchmark dataset or evaluate models against it, please cite:

@article{aballe2026laplacereason,
  title={LaplaceReason: An Empirical Ground-Truth Benchmark for LLMs on Continuous Dynamical Systems and Stiff Wilkinson Regimes},
  author={Aballe V{\'a}zquez, Pablo Enrique},
  year={2026},
  doi={10.5281/zenodo.23760958},
  url={https://doi.org/10.5281/zenodo.23760958}
}

Downloads last month: 170

Total file size:

11.5 MB

You need to agree to share your Hugging Face information to access this dataset