تُعد مجموعة بيانات Nemotron-Terminal-Corpus مجموعة بيانات ضخمة للتدريب على التفاعل مع الطرفية، أصدرتها NVIDIA في عام 2026، وقد نُشرت نتائج الورقة البحثية ذات الصلة في «On Data Engineering for Scaling LLM Terminal Capabilities». تهدف هذه المجموعة إلى تحسين أداء نماذج اللغة الكبيرة في عمليات التشغيل والاستدلال ضمن بيئات الطرفية، من خلال مسارات تنفيذ عالية الجودة.

تحتوي مجموعة البيانات هذه على حوالي 366,000 مسار تنفيذ عالي الجودة، وهي مصممة خصيصاً للضبط الدقيق الخاضع للإشراف (SFT)، مما يمنح النماذج قدرات عملية في مجالات معقدة مثل استعلامات البيانات، وتدريب النماذج، وتصحيح الأخطاء البرمجية. وقد أظهرت سلسلة نماذج Nemotron-Terminal المُدرَّبة على هذه المجموعة أداءً متميزاً في اختبار المعيار Terminal-Bench 2.0، حيث حققت نموذج Nemotron-Terminal-32B دقة بلغت 60.0% في مهام استعلامات البيانات، متفوقةً بشكل كبير على النماذج الأساسية.

تكوين مجموعة البيانات

تنقسم مجموعة البيانات بشكل رئيسي إلى جزأين، وتحتوي على حوالي 366 ألف عينة، جميعها بصيغة مجموعة التدريب (train):

• محولات مجموعة البيانات (Dataset Adapters): بيانات عالية الجودة من مجموعات الرياضيات والبرمجة وهندسة البرمجيات (SWE)، تم تحويلها إلى صيغة الطرفية.

• مهام اصطناعية قائمة على المهارات (Skill-based Synthetic Tasks): مهام جديدة تم توليدها بناءً على تصنيف هيكلي للمهارات الطرفية الأصلية، وتنقسم إلى مستويات صعوبة سهلة ومتوسطة ومختلطة.

الاستشهاد

@misc{pi2026dataengineeringscalingllm,
      title={On Data Engineering for Scaling LLM Terminal Capabilities}, 
      author={Renjie Pi and Grace Lam and Mohammad Shoeybi and Pooya Jannaty and Bryan Catanzaro and Wei Ping},
      year={2026},
      eprint={2602.21193},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2602.21193}, 
}