Nemotron-Pretraining-SFT-v1 est un ensemble de données génératives synthétiques publié par NVIDIA en 2025. L'article associé est « NVIDIA Nemotron Nano 2 : un modèle de raisonnement hybride Mamba-Transformer précis et efficace », qui vise à améliorer les capacités du modèle dans des tâches telles que le suivi des instructions, le raisonnement, le code et la réponse aux questions générales.

Cet ensemble de données est destiné aux STEM, aux études universitaires, au raisonnement logique et aux scénarios multilingues. Il est développé et généré à partir de ressources mathématiques et scientifiques de haute qualité, et combine des textes universitaires de niveau master avec des données SFT structurées et affinées pour construire des questions à choix multiples complexes et des questions analytiques (avec réponses/idées complètes), couvrant de multiples tâches telles que les mathématiques, le codage, la culture générale et le raisonnement logique.

Dans les statistiques officielles des données de pré-formation de Nemotron, les catégories liées au SFT (telles que le SFT mathématique, le SFT de code et le SFT général) occupent une proportion importante, ce qui permet aux utilisateurs de filtrer facilement les sous-ensembles requis en fonction des métadonnées pour des expériences reproductibles.