Nemotron-Competitive-Programming-v2는 NVIDIA가 2025년에 발표한 대규모 합성 프로그래밍 및 추론 데이터셋으로, 관련 논문은 OpenCodeReasoning: Advancing Data Distillation for Competitive Coding이며, 대규모 언어 모델의 경쟁 프로그래밍, 코드 리뷰 및 SQL 작업 능력을 향상시키는 것을 목표로 합니다.

데이터셋은 총 844,935개의 샘플로 구성되어 있으며, 저장 용량은 약 91GB이고 JSONL 형식으로 제공됩니다. Python, C++, 프로그래밍 연습 및 Text-to-SQL 데이터를 포함하며, 주로 지도 미세 조정(SFT)에 사용됩니다. 데이터셋은 CC BY 4.0 라이선스를 사용하며, Code Forces 데이터는 Open Data Commons Attribution License(ODC-By)를 사용합니다. 기타 라이선스 정보는 MIT License를 참조하세요.

데이터셋 구성

• competitive_coding_python: 336,568개의 Python 경쟁 프로그래밍 샘플을 포함하며, 34,799개의 고유 문제를 다룹니다.
• competitive_coding_cpp: 332,559개의 C++ 경쟁 프로그래밍 샘플을 포함하며, 코드 생성 및 추론 훈련에 사용됩니다.
• exercism: 115개의 Python Exercism 문제를 기반으로 생성된 79,244개의 합성 프로그래밍 연습 샘플을 포함하며, Aider 벤치마크의 관련 문제는 제외됩니다.
• text_to_sql: MySQL, PostgreSQL 및 SQLite와 같은 방언을 다루는 96,564개의 합성 SQL 샘플을 포함하며, 각 샘플에는 추론 궤적이 포함됩니다.