Nemotron RL Agentic Conversational Tool-Use Pivot v1 データセットは、NVIDIA が2026年に公開した、対話型ツール使用の強化学習に特化したデータセットであり、既存の専門家ツール使用軌跡を活用して、複雑な対話シナリオにおける大規模言語モデルの行動模倣能力を訓練することを目的としています。

このデータセットには170,320件のトレーニングサンプルが含まれ、総規模は約3.0 GBで、EdTech、ITサポート、旅行など838の異なる分野におけるツール呼び出しシナリオをカバーしており、認証、データ照会、サービス予約、割引取得など多様なタスクが含まれています。 データは合成手法で生成され、DeepSeek、Qwenなどの大規模モデルを使用して軌跡を生成し、GPT-ossとQwenを組み合わせてラベル合成を行い、NeMo Gymフレームワークと互換性のある構造化JSONファイル形式で、大規模モデルのポストトレーニング強化学習検証報酬（RLVR）タスクに適しています。

データセットの構成

データセットは主に以下の構造とフィールドで構成されています：

• データ形式：構造化JSON、NVIDIA NeMo Gymフレームワークと互換性あり。
• サンプル数：トレーニングセットは合計170,320件のレコード。
• データ規模：約3.0 GB。
• コアフィールド：各レコードには11個のトップレベルフィールドが含まれ、具体的には以下：
• trajectory_id：軌跡識別子
• responses_create_params：応答作成パラメータ
• expected_action：期待されるアクション
• scenario：シナリオ説明
• num_unique_actions：一意のアクション数
• meta_info：メタ情報
• qwen_235b_info：Qwenモデル関連情報
• agent_ref：エージェント参照
• pass_rate：合格率
• pass_rate_total：総合格率
• pass_rate_passed：合格ステータス