Nemotron-RL-Agentic-Terminal-Pivot-v1 は、NVIDIA が 2026年に公開したターミナルエージェントの強化学習用データセットであり、大規模言語モデルに対してターミナル（コマンドライン）インタラクションシナリオ向けの強化学習トレーニングサンプルを提供することを目的としています。このデータセットは NeMo Gym の terminus_judge 環境のために特別に設計されており、エージェントの強化学習後訓練、教師ありファインチューニング、または行動オフライン分析に使用できます。

本データセットには 31,111 件の学習サンプルが含まれており、これらは 630 の ATCB シードタスクおよび 2,716 本の異なるソース軌跡から派生しています。タスクのシーンは、パイプライン構築、障害監査、サービス診断、セキュリティコンプライアンスプロセスなどを含む、産業システム、ハイパフォーマンスコンピューティングクラススタ、医療、金融、メディアアーカイブなどの分野における長期のターミナルオペレーションをカバーしています。各タスクに対応するサンプルの中央値は 45 で、すべてのサンプルは最終的なタスク完了に至るエージェント軌跡から抽出された単一の意思決定ポイントです。これらのサンプルには、タスクプロンプト、GLM-5.1 をティーチャーモデルとする Terminus-2 エージェントによって生成された次のステップのリファレンスアクション、そして報酬スコアリング用のルーティング情報が含まれています。ここで、タスクプロンプトの平均長さは約 39,900 文字で、次のステップのリファレンスアクションの平均長さは約 970 文字となっています。

データフィールド：

• responses_create_params.input：タスク指示と意思決定時点までのターミナルインタラクション履歴を含むプロンプト
• expected_answer：その時点でのエージェントに対するリファレンスの次ステップアクション
• agent_ref：ポリシーモデルによるアクション評価や強化学習報酬生成のための NeMo Gym terminus_judge リソースサーバーへのルーティング情報
• metadata：内部的な収集識別子や基盤情報を除去し、5つのサブフィールドを持つメタデータのオブジェクト