Nemotron-Pretraining-Code-v1 ist ein Satz ausgewählter groß angelegter Code-Datensätze, der auf GitHub basiert und 2025 von NVIDIA veröffentlicht wird. Die zugehörigen Papierergebnisse sind „NVIDIA Nemotron Nano 2: Ein genaues und effizientes hybrides Mamba-Transformer-Reasoning-Modell"

Dieser Datensatz, der durch mehrstufige Deduplizierung, Lizenzdurchsetzung und heuristische Qualitätsprüfungen gefiltert wurde, enthält LLM-generierte Code-Frage-Antwort-Paare in elf Programmiersprachen. Die Daten umfassen nicht nur 175,1 Milliarden Token hochwertigen synthetisierten Codes, sondern auch Metadaten (ca. 747,4 Milliarden Token), um die Benutzerreproduktion zu erleichtern.