Nemotron-SWE-v1-prompt-only

Nemotron-SWE-v1-prompt-only 是一个从源数据集 nvidia/Nemotron-SWE-v1 中提取的纯提示词数据集。该数据集旨在提供结构化的提示词内容，适用于大型语言模型的提示工程、微调或评估任务。数据以CSV文件（prompts.csv）形式组织，每条记录包含一个prompt（提示词）、一个独立的system_prompt（系统提示词），以及当源数据定义可用工具时的结构化tools（工具）信息，其中嵌套值以JSON格式编码在CSV单元格内。数据集规模为51,029个提取的提示词行，无提取失败的行，与源数据行数一致。此外，数据集还包含摘要文件（summary.md）和空值/无效行记录文件（null_or_empty_rows.md），分别提供统计信息和问题行索引。该数据集由用户jamesdborin通过Nemotron Post-Training v3提示词提取工作流生成并上传。

Nemotron-SWE-v1-prompt-only is a prompt-only dataset extracted from the source dataset nvidia/Nemotron-SWE-v1. This dataset aims to provide structured prompt content suitable for prompt engineering, fine-tuning, or evaluation tasks for large language models. The data is organized in a CSV file (prompts.csv), with each record containing a prompt, an independent system_prompt, and structured tools information when the source data defines available tools, where nested values are encoded in JSON format within CSV cells. The dataset scale is 51,029 extracted prompt rows, with no extraction failures, consistent with the source data row count. Additionally, the dataset includes summary files (summary.md) and null/empty row record files (null_or_empty_rows.md), providing statistical information and problematic row indices, respectively. This dataset was generated and uploaded by user jamesdborin through the Nemotron Post-Training v3 prompt extraction workflow.

原始信息汇总

数据集名称

• Nemotron-SWE-v1-prompt-only

数据集来源

• 原始数据集：nvidia/Nemotron-SWE-v1

数据集内容

• 该数据集是从 nvidia/Nemotron-SWE-v1 中提取的仅包含提示（prompt）的记录。
• 包含以下文件：
  • prompts.csv：每条源记录对应一条提示提取记录。记录包括 prompt、分离的 system_prompt 以及当源行定义了可用工具时的结构化 tools。嵌套值在 CSV 单元格内以 JSON 编码。
  • summary.md：源行数、提取行数、行数变化量以及失败提示数。
  • null_or_empty_rows.md：提示提取产生空或 null 提示的行索引。

数据统计

• 提取行数：51,029
• 失败提示行数：0
• 行数变化量：0

标签

• nemotron
• prompt-only
• post-training

配置

• 配置名称：default
• 数据文件：训练集分割，路径为 prompts.csv

上传者

• 由 jamesdborin 从 Nemotron Post-Training v3 提示提取器工作流上传。

搜集汇总

数据集介绍

构建方式

在软件开发与人工智能交叉领域，代码生成与修复任务对高质量提示数据的需求日益增长。Nemotron-SWE-v1-prompt-only数据集源自NVIDIA发布的原始数据集Nemotron-SWE-v1，通过专门的提示提取工作流从源记录中精炼出纯净的提示信息。每条记录被转化为结构化的提示数据，包括独立的系统提示、用户提示，以及源记录中定义可用工具时的结构化工具描述。嵌套值以JSON编码形式存储在CSV单元格中，确保复杂信息的无损保留。最终从51,029条源记录中全部成功提取，无失败记录，实现了零数据丢失的精准转化。

特点

该数据集的核心特色在于其聚焦于后训练场景下的提示工程应用，剔除了原始数据中的非提示杂音，提供纯净的提示文本。每条记录包含分离的系统提示与用户提示，便于模型训练时灵活组合不同对话策略。结构化工具字段的保留，使其特别适用于需要工具调用能力的智能体训练场景。数据量适中（约5万条），兼顾了样本多样性与训练效率，且提取过程完全自动化的特点保证了数据一致性与可复现性。

使用方法

使用时可直接加载prompts.csv文件，其中的prompt列为模型输入的核心内容，system_prompt字段用于设置对话上下文或角色约束，tools字段则提供了可选的工具定义列表。适用于NVIDIA NeMo框架下的后训练微调流程，研究人员可根据任务需求组合这些字段：对于纯对话场景，可拼接system_prompt与prompt；对于工具增强场景，则需将tools解析为模型可识别的工具格式。数据集已按标准CSV格式整理，方便与主流数据处理库（如Pandas、Datasets）直接集成，支持快速开展基于HuggingFace Trainer的模型后训练实验。

背景与挑战

背景概述

Nemotron-SWE-v1-prompt-only 数据集由 NVIDIA 的研究团队于近期创建，旨在从原始的 Nemotron-SWE-v1 数据集中提取结构化的提示（prompt）信息，以支持后训练（post-training）阶段的大语言模型微调与评估。该数据集聚焦于软件工程（SWE）领域，核心研究问题在于如何通过精简的提示形式高效捕获任务指令、系统提示及工具调用结构，从而提升模型在复杂编程与调试场景下的指令遵循能力。作为 NVIDIA Nemotron 系列的关键组成部分，该数据集为大规模提示工程与模型对齐研究提供了标准化资源，对推动代码智能与自动化软件开发具有显著影响力。

当前挑战

该数据集面临的核心领域挑战在于软件工程任务中提示的多样性与复杂性，例如需同时处理自然语言指令、代码片段及结构化工具调用，这对模型的上下文理解与精确执行能力提出了极高要求。构建过程中，团队需从原始多轮对话数据中精准提取 prompt 字段，并分离出 system_prompt 与 tools 等嵌套结构，同时确保 CSV 格式下 JSON 编码的完整性。此外，面对 51029 条记录的无损提取目标（失败行数为 0），如何设计健壮的提取流程以处理格式异常或空值场景，以及维持源数据与提取数据间行数一致性，构成了工程实现上的主要挑战。

常用场景

经典使用场景

Nemotron-SWE-v1-prompt-only数据集在软件工程与自然语言处理的交叉领域中扮演着关键角色，其核心应用在于为大型语言模型提供高质量的指令-提示对，以增强模型在代码生成、漏洞修复及软件维护等任务中的表现。经典使用场景包括基于提示的代码补全、自动化bug修复以及软件测试用例生成，研究人员通过构造结构化提示来引导模型理解具体需求，从而精准输出代码片段或逻辑修正。该数据集强调的‘prompt-only’特性，使得它尤其适合用于探究提示工程对模型输出的影响，以及系统提示与工具定义如何协同优化代码生成质量。

衍生相关工作

基于该数据集衍生出的经典工作主要集中在提示提取与优化工具的研发上，例如Nemotron Post-Training v3工作流中集成的提示提取器，它从原始对话数据中分离出系统提示、工具定义和用户问题，形成可复用的结构化记录。相关研究进一步探索了多轮对话中的提示链构建方法，以及如何通过动态调整提示模板来适应不同软件工程任务（如重构与测试）。此外，有工作将本数据集的提示记录与代码知识图谱结合，提出增强型检索增强生成（RAG）框架，专门服务于大型软件仓库的智能化维护，体现了从数据到工具的完整闭环创新。

数据集最近研究

最新研究方向

面向大语言模型后训练阶段的高质量提示语数据集构建与优化。Nemotron-SWE-v1-prompt-only从原始数据集中提取了超过5万条纯净提示语记录，涵盖了系统提示、结构化工具调用等关键组件，为模型微调和对齐提供了标准化输入。该数据集聚焦于后训练场景中的提示语工程，通过剥离非必要信息，强化了模型在代码生成与软件工程任务中的指令遵循能力。当前研究热点包括利用此类精细化提示语数据进行监督微调、偏好优化以及上下文学习能力的提升，这不仅推动了代码智能体的发展，也为构建领域专用的大语言模型提供了可复用的数据基础设施。