Nemotron-Competitive-Programming-v2 ist ein von NVIDIA im Jahr 2025 veröffentlichtes groß angelegtes synthetisches Programmier- und Reasoning-Datenset. Die zugehörige Arbeit umfasst OpenCodeReasoning: Advancing Data Distillation for Competitive Coding und zielt darauf ab, die Fähigkeiten großer Sprachmodelle in Wettbewerbsprogrammierung, Code-Review und SQL-Aufgaben zu verbessern.

Das Datenset umfasst insgesamt 844.935 Stichproben mit einem Speicherbedarf von etwa 91 GB im JSONL-Format. Es enthält Python-, C++-, Programmierübungs- und Text-to-SQL-Daten und wird hauptsächlich für überwachtes Feintuning (SFT) verwendet. Das Datenset ist unter der CC BY 4.0-Lizenz lizenziert, während die Code-Forces-Daten unter der Open Data Commons Attribution License (ODC-By) stehen. Weitere Lizenzinformationen finden Sie in der MIT-Lizenz.

Zusammensetzung des Datensets

• competitive_coding_python: Enthält 336.568 Python-Wettbewerbsprogrammierungs-Stichproben, die 34.799 einzigartige Aufgaben abdecken.
• competitive_coding_cpp: Enthält 332.559 C++-Wettbewerbsprogrammierungs-Stichproben für das Training von Codegenerierung und Reasoning.
• exercism: Enthält 79.244 synthetische Programmierübungs-Stichproben, die auf 115 Python-Exercism-Aufgaben basieren, wobei die entsprechenden Aufgaben aus dem Aider-Benchmark ausgeschlossen wurden.
• text_to_sql: Enthält 96.564 synthetische SQL-Stichproben, die Dialekte wie MySQL, PostgreSQL und SQLite abdecken, wobei jede Stichprobe einen Reasoning-Pfad enthält.