Nemotron-Terminal-Corpus ist ein großes Trainingsdatensatz für Terminalinteraktionen, der 2026 von NVIDIA veröffentlicht wurde. Die damit verbundenen Forschungsergebnisse sind in On Data Engineering for Scaling LLM Terminal Capabilities dokumentiert. Ziel ist es, durch hochwertige Ausführungstrajektorien die Handlungs- und Schlussfolgerungsfähigkeiten großer Sprachmodelle in Terminalumgebungen zu verbessern.

Der Datensatz umfasst etwa 366.000 hochwertige Ausführungstrajektorien und ist speziell für überwachtes Feintuning (SFT) konzipiert, um dem Modell praktische Fähigkeiten in komplexen Domänen (wie Datenabfragen, Modelltraining, Code-Debugging usw.) zu verleihen.

Die auf diesem Datensatz trainierten Modelle der Nemotron-Terminal-Serie zeigen hervorragende Leistungen im Terminal-Bench 2.0 Benchmark. Beispielsweise erreicht Nemotron-Terminal-32B eine Genauigkeit von 60,0 % bei Datenabfrageaufgaben und übertrifft damit das Basismodell deutlich.

Zusammensetzung des Datensatzes

Der Datensatz besteht hauptsächlich aus zwei Teilen mit insgesamt etwa 366k Beispielen, die alle im Format des Trainingsdatensatzes (train) vorliegen:

• Datensatz-Adapter (Dataset Adapters): Konvertierung hochwertiger Datensätze aus den Bereichen Mathematik, Code und Software Engineering (SWE) in das Terminalformat.

• Fertigkeitbasierende synthetische Aufgaben (Skill-based Synthetic Tasks): Neue Aufgaben, die auf einer strukturierten Taxonomie grundlegender Terminal-Fähigkeiten basieren und in die Schwierigkeitsgrade einfach, mittel und gemischt unterteilt sind.

Zitierung

@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}, 
}