تُعدّ مجموعة بيانات Nemotron-Pretraining-Code-v3 إحدى مجموعات بيانات التدريب المسبق للبرمجيات التي أنشأتها NVIDIA لسلسلة Nemotron 3 من نماذج اللغة الكبيرة. وتهدف هذه المجموعة إلى تحسين قدرات نماذج اللغة الكبيرة على فهم البرمجيات وتوليدها وإكمالها والاستدلال عليها. وتنتمي هذه المجموعة إلى جزء من مجموعة بيانات التدريب المسبق لبرمجيات NVIDIA Nemotron. أما الورقة البحثية ذات الصلة فهي بعنوان: Nemotron 3 Ultra: Open, Efficient Mixture-of-Experts Hybrid Mamba-Transformer Model for Agentic Reasoning. تحتوي هذه المجموعة من البيانات على 146.3 مليون ملف. انتهى جمع البيانات في 30 سبتمبر 2025. هذه نسخة محدثة، تتضمن فقط ملفات شفرة المصدر المضافة حديثًا مقارنةً بالإصدارات السابقة. لذا، يجب مقارنتها بالإصدارات السابقة. الإصدار 1، الإصدار 2 عند استخدامها معًا، يمكنها تشكيل مجموعة بيانات كاملة للتدريب المسبق للرموز.

حقول البيانات:

• commit_id: الأحرف السبعة الأولى من تجزئة الالتزام في Git.
• rel_path: مسار الملف في الدليل الجذر للمستودع.
• اللغة: لغة البرمجة المستخدمة في الكشف والتعرف الآليين.

الاستشهاد

إذا استخدمت هذه المجموعة من البيانات في بحثك، فيرجى الاستشهاد بها. نيموترون 3 ألترا: نموذج مامبا-ترانسفورمر هجين مفتوح وفعال يجمع بين مجموعة من الخبراء من أجل الاستدلال الفاعل .