Nemotron-Competitive-Programming-v2 هي مجموعة بيانات ضخمة للبرمجة والاستدلال الاصطناعي أصدرتها NVIDIA في عام 2025، وتشمل الورقة البحثية ذات الصلة OpenCodeReasoning: Advancing Data Distillation for Competitive Coding، وتهدف إلى تعزيز قدرات نماذج اللغة الكبيرة في البرمجة التنافسية ومراجعة الأكواد ومهام SQL.

تتضمن مجموعة البيانات إجمالي 844,935 عينة، بحجم تخزين يبلغ حوالي 91 جيجابايت، بتنسيق JSONL، وتغطي بيانات Python وC++ والتمارين البرمجية وText-to-SQL، وتُستخدم بشكل أساسي للضبط الدقيق الخاضع للإشراف (SFT). تعتمد مجموعة البيانات رخصة CC BY 4.0، بينما تعتمد بيانات Code Forces رخصة Open Data Commons Attribution License (ODC-By). للحصول على معلومات الترخيص الأخرى، يُرجى الاطلاع على MIT License.

مكونات مجموعة البيانات

• competitive_coding_python: يتضمن 336,568 عينة برمجة تنافسية بلغة Python، ويغطي 34,799 سؤالًا فريدًا.
• competitive_coding_cpp: يتضمن 332,559 عينة برمجة تنافسية بلغة C++، ويُستخدم لتدريب توليد الأكواد والاستدلال.
• exercism: يتضمن 79,244 عينة تمارين برمجية اصطناعية، تم توليدها بناءً على 115 تمرين Python من Exercism، مع استبعاد التمارين ذات الصلة في معيار Aider.
• text_to_sql: يتضمن 96,564 عينة SQL اصطناعية، تغطي لهجات مثل MySQL وPostgreSQL وSQLite، وتتضمن كل عينة مسار استدلال.