Nemotron-SWE-v2 ist ein 2025 von NVIDIA veröffentlichtes, auf die Softwareentwicklung (SWE) ausgerichtetes, instruktionsgetuntes Datenset. Die zugehörige wissenschaftliche Arbeit ist unter Training Software Engineering Agents and Verifiers with SWE-Gym verfügbar. Das Ziel ist die Verbesserung der Fähigkeiten großer Sprachmodelle in SWE-Bench-artigen Aufgaben, insbesondere im Bereich Code-Reparatur, Fehlerlokalisierung und Testgenerierung.

Der Datensatz umfasst insgesamt 256.254 Beispiele und deckt sowohl agentenlose Softwareentwicklungsaufgaben als auch mehrstufige Interaktionspfade auf Basis von Agenten ab. Er eignet sich für überwachtes Feintuning (SFT) und Modell-Destillation und kann zur Schulung von Softwareentwicklungs-Assistenten verwendet werden, die über Fähigkeiten zur Codeanalyse, zum Tool-Aufruf und zur autonomen Problemlösung verfügen. Der Datensatz steht unter der Creative Commons Attribution 4.0 International License (CC BY 4.0). Zusätzliche Lizenzen umfassen Apache 2.0, MIT, BSD-3-Clause und BSD-2-Clause.

Zusammensetzung des Datensatzes

• Agentless SWE: Enthält 209.976 Beispiele. Dies sind Daten für das überwachtes Feintuning von agentenlosen Softwareentwicklungsaufgaben, die Code-Lokalisierung, Code-Reparatur und Testgenerierung abdecken. Die Daten wurden von DeepSeek-R1-0528 generiert. Jedes Beispiel umfasst aufgaben-spezifische Ausgaben wie Listen gerankter Dateien, Patch-Edits und Unit-Tests.
• Agentic SWE: Enthält 46.278 Beispiele. Dieser Subset enthält Agenten-Trace-Daten, die mit dem OpenHands-Framework gesammelt und von Qwen3-Coder-480B-A35B-Instruct synthetisiert wurden. Ziel ist die Verbesserung der Modellleistung durch mehrstufige Tool-Nutzung und Problemlösung. Die Problemstellungen stammen aus SWE-Gym und R2E-Gym-Subset.