nemotron-gym-agentic-swe-pivot-v2

该数据集是从nvidia/Nemotron-RL-Agentic-SWE-Pivot-v1转换而来的Harbor任务二进制数据集，属于nvidia/Nemotron-Post-Training-v3系列的一部分。它包含3,978个任务，采用两列格式：path（字符串类型）和task_binary（gzip压缩的tar格式）。转换过程使用了OpenThoughts-Agent的data.nemotron_gym框架。该数据集适用于文本生成任务，特别关注代理、Harbor、强化学习和Nemotron等相关应用场景。评估标准基于单步SWE工具调用匹配，要求区分大小写且进行空格标准化。与前一版本相比，此版本修复了终端代理的答案交付契约问题：通过明确指示代理使用shell heredoc将答案写入评分者指定的文件路径并验证，解决了之前版本中代理错误地将答案作为聊天回复发送而导致评分失败的问题，评分逻辑本身保持不变。This dataset is a Harbor task binary dataset converted from nvidia/Nemotron-RL-Agentic-SWE-Pivot-v1 and is part of the nvidia/Nemotron-Post-Training-v3 series. It contains 3,978 tasks in a two-column format: path (string type) and task_binary (gzip-compressed tar format). The conversion process uses the OpenThoughts-Agents data.nemotron_gym framework. The dataset is suitable for text generation tasks, with a particular focus on applications related to agents, Harbor, reinforcement learning, and Nemotron. The evaluation criteria are based on single-step SWE tool call matching, requiring case sensitivity and space normalization. Compared to the previous version, this version fixes the terminal agents answer delivery contract issue: by explicitly instructing the agent to use shell heredoc to write the answer to the evaluator-specified file path and verify it, it resolves the problem in the previous version where the agent incorrectly sent answers as chat replies, leading to scoring failures, while the scoring logic itself remains unchanged.

原始信息汇总

数据集概述

laion/nemotron-gym-agentic-swe-pivot-v2 是一个基于 nvidia/Nemotron-RL-Agentic-SWE-Pivot-v1 转换的 Harbor 任务二进制数据集，包含 3,978 个任务，属于 nvidia/Nemotron-Post-Training-v3 系列的一部分。

数据集结构与内容

• 列字段：path（字符串） + task_binary（gzip tar 格式）
• 转换框架：使用 OpenThoughts-Agent 的 data.nemotron_gym 框架进行转换
• 许可证：Apache-2.0
• 任务类别：文本生成
• 标签：agent、harbor、reinforcement-learning、nemotron

评分机制

采用 单步 SWE 工具调用匹配 评分方式，具体规则为：

• 区分大小写
• 忽略空白符差异

版本变更说明（v1 → v2）

v2 版本修复了终端代理的 答案交付协议 问题：

• v1 版本问题：v1 版本仅告知代理需要生成什么内容，但未说明如何提交。当 1 回合的 terminus-2 代理将其答案以聊天回复形式输出，而非写入评分文件时，大多数试炼因“答案文件缺失”而得到 0 分。
• v2 版本修复：指令现在明确要求通过 shell heredoc 方式将答案写入评分文件的路径（并进行验证）。评分逻辑本身未作其他改动。

搜集汇总

数据集介绍

构建方式

该数据集源于nvidia团队开发的Nemotron-RL-Agentic-SWE-Pivot-v1，经由OpenThoughts-Agent框架下的data.nemotron_gym工具转换而来。原始数据采用Harbor任务二元格式，共包含3978条任务记录。每条数据由路径（path）字段与压缩包（task_binary）字段组成，转换过程严格保留了任务结构的完整性，最终形成面向智能体强化学习场景的标准化数据集。

使用方法

本数据集适用于文本生成任务中的智能体强化学习训练，尤其聚焦于软件工程领域。使用时，用户需将task_binary字段中的压缩数据解压并解析，依据path字段定位任务文件。在训练过程中，模型需学习遵循明确的指令协议，即输出必须通过写入指定文件路径的方式提交，而非通过对话接口返回。评分环节则基于单步工具调用的一致性进行自动裁定。

背景与挑战

背景概述

在人工智能领域，基于强化学习的智能体训练是提升模型自主决策能力的关键方向。Nemotron-Gym-Agentic-SWE-Pivot-v2数据集由LAION机构于近期创建，源于nvidia/Nemotron-RL-Agentic-SWE-Pivot-v1，并作为NVIDIA Nemotron后训练系列的重要组成部分。该数据集聚焦于软件工程（SWE）场景下的智能体任务，包含3978个二进制任务样本，旨在通过工具调用匹配的评估机制，推动强化学习在代码生成与执行中的研究与应用。其开发过程依托OpenThoughts-Agent框架进行数据转换，为智能体在终端环境中的行为训练提供了标准化基准，对提升模型在复杂工程任务中的表现具有重要意义。

当前挑战

该数据集所解决的领域挑战在于，传统智能体训练常因任务指令与提交机制脱节而导致评分失效，如终端智能体以聊天回复替代文件写入，致使评估信号稀疏且不准确。v2版本通过明确指定答案交付合约，要求智能体使用shell heredoc写入评分文件并验证，从而修正了核心反馈路径。数据构建过程中的挑战亦不容忽视：需将原始任务精确转换为二进制格式，保持指令与评分逻辑的一致性，并确保大规模转换的可靠性。此外，任务多样性与工具调用匹配的严格性（区分大小写、标准化空白）进一步增加了数据质量控制的复杂性。

常用场景

经典使用场景

该数据集专为强化学习与智能体（agent）微调设计，聚焦于软件工程（SWE）任务中的工具调用能力评估。通过将NVIDIA的Nemotron-RL-Agentic-SWE-Pivot-v1数据集转换为二进制任务格式，它提供了3,978个经过精确标注的智能体任务，每个任务要求模型在终端环境中执行单步工具调用并生成符合规范的输出文件。经典使用场景包括训练和评测大型语言模型在软件工程场景下的指令遵循、路径操作命令执行以及结果验证能力，尤其适用于自动化代码修复、环境配置等需要精准工具交互的智能体系统。

解决学术问题

该数据集解决了智能体强化学习研究中一个关键瓶颈：如何有效量化模型在真实终端环境下的工具调用成功率。此前版本因未明确答案提交协议，导致模型将回答以聊天回复形式输出而非写入指定文件，造成评估失效。此版本通过引入明确的shell heredoc写入指令和验证步骤，消除了交互歧义，为多步骤智能体任务的动作空间建模、奖励信号设计以及策略优化提供了可靠的基准。其意义在于推动了从对话式评测到行为式评测的范式转变，使智能体研究更贴近实际工程需求。

实际应用

在实际应用中，该数据集可赋能自动化DevOps和持续集成流程中的智能体系统，例如自动定位并修复代码错误、部署环境配置或执行数据库迁移脚本。它还可用于构建面向软件开发者的AI编程助手，使其能够在沙盒环境中安全地执行文件操作、运行测试并生成补丁。此外，金融、医疗等领域需通过终端执行审计或数据清洗任务的自动化场景，亦能受益于基于该数据集训练的精准工具调用能力。

数据集最近研究

最新研究方向

该数据集聚焦于强化学习驱动的智能体任务规划与执行领域，尤其在软件工程工具调用（SWE）场景下，通过精细化的指令工程和结果验证机制，解决了智能体任务完成度评估中的关键缺陷。其核心创新在于修正了终端智能体'答案交付协议'——通过明确要求使用shell heredoc方式写入指定文件路径并进行验证，克服了先前版本中因输出格式模糊导致的高失败率问题。这一改进直接关联到当前大语言模型后训练阶段的热点方向，即如何构建鲁棒的智能体环境与反馈回路，使得模型在自主编程、系统管理等复杂代理任务中实现可靠的动作序列执行与结果归因，为强化学习在真实软件工程流水线中的应用提供了可复现的基准测试框架。