Nemotron-SWE-v2 est un jeu de données ajusté par instructions, publié par NVIDIA en 2025, dédié au domaine de l’ingénierie logicielle (SWE). L’article scientifique associé est « Training Software Engineering Agents and Verifiers with SWE-Gym » et vise à améliorer les capacités des grands modèles de langage en matière de correction de code, de localisation de défauts et de génération de tests pour des tâches de type SWE-Bench.

Ce jeu de données contient au total 256 254 exemples, couvrant des données de tâches d’ingénierie logicielle sans agent ainsi que des trajectoires d’interaction multi-étapes basées sur des agents. Il est adapté au réglage supervisé (SFT) et à la distillation de modèles, permettant d’entraîner des assistants d’ingénierie logicielle capables d’analyser du code, d’appeler des outils et de résoudre des problèmes de manière autonome. Le jeu de données est distribué sous la licence Creative Commons Attribution 4.0 International (CC BY 4.0), avec des licences complémentaires incluant Apache 2.0, MIT, BSD-3-Clause et BSD-2-Clause.

Composition du jeu de données

• Agentless SWE : contient 209 976 exemples. Il s’agit de données de réglage supervisé destinées aux sous-tâches d’ingénierie logicielle sans agent, couvrant la localisation de code, la correction de code et la génération de tests. Les données sont générées par DeepSeek-R1-0528, chaque exemple contenant des sorties spécifiques à la tâche, telles que des listes de fichiers classés, des éditions de correctifs et des tests unitaires.
• Agentic SWE : contient 46 278 exemples. Ce sous-ensemble comprend des trajectoires d’agents collectées via le framework OpenHands, synthétisées par Qwen3-Coder-480B-A35B-Instruct, afin d’améliorer les performances du modèle grâce à l’utilisation d’outils en plusieurs étapes et à la résolution de problèmes. Les énoncés de problèmes proviennent de SWE-Gym et de R2E-Gym-Subset.