Nemotron-Competitive-Programming-v2 は、NVIDIA が 2025 年に公開した大規模な合成プログラミングおよび推論データセットです。関連論文には OpenCodeReasoning: Advancing Data Distillation for Competitive Coding があり、大規模言語モデルの競技プログラミング、コードレビュー、SQL タスクにおける能力向上を目的としています。

このデータセットは、合計 844,935 件のサンプルで構成され、ストレージ容量は約 91 GB、JSONL 形式を採用しています。Python、C++、プログラミング演習、Text-to-SQL データを網羅し、主に教師ありファインチューニング（SFT）に使用されます。データセットは CC BY 4.0 ライセンスを採用し、Code Forces データは Open Data Commons Attribution License（ODC-By）を採用しています。その他のライセンス情報は MIT License を参照してください。

データセット構成

• competitive_coding_python：336,568 件の Python 競技プログラミングサンプルを含み、34,799 問のユニークな問題をカバーしています。
• competitive_coding_cpp：332,559 件の C++ 競技プログラミングサンプルを含み、コード生成と推論トレーニングに使用されます。
• exercism：79,244 件の合成プログラミング演習サンプルを含み、115 問の Python Exercism 問題に基づいて生成され、Aider ベンチマークテストに関連する問題は除外されています。
• text_to_sql：96,564 件の合成 SQL サンプルを含み、MySQL、PostgreSQL、SQLite などの方言を対象とし、各サンプルには推論軌跡が含まれています。