Nemotron-Competitive-Programming-v2 est un ensemble de données de programmation et de raisonnement synthétiques à grande échelle publié par NVIDIA en 2025, accompagné de l'article associé OpenCodeReasoning: Advancing Data Distillation for Competitive Coding, visant à améliorer les capacités des grands modèles de langage dans les tâches de programmation compétitive, de révision de code et de SQL.

L'ensemble de données contient au total 844 935 échantillons, avec un volume de stockage d'environ 91 Go, au format JSONL, couvrant des données Python, C++, des exercices de programmation et des données Text-to-SQL, principalement utilisées pour le fine-tuning supervisé (SFT). L'ensemble de données est sous licence CC BY 4.0, et les données Code Forces sont sous licence Open Data Commons Attribution License (ODC-By). Pour d'autres informations de licence, voir la licence MIT.

Composition de l'ensemble de données

• competitive_coding_python : contient 336 568 échantillons de programmation compétitive en Python, couvrant 34 799 problèmes uniques.
• competitive_coding_cpp : contient 332 559 échantillons de programmation compétitive en C++, utilisés pour l'entraînement à la génération de code et au raisonnement.
• exercism : contient 79 244 échantillons d'exercices de programmation synthétiques, générés à partir de 115 problèmes Python Exercism, avec exclusion des problèmes liés au benchmark Aider.
• text_to_sql : contient 96 564 échantillons SQL synthétiques, couvrant des dialectes tels que MySQL, PostgreSQL et SQLite, chaque échantillon comprenant une trace de raisonnement.