nemotron-gym-multichallenge-advanced-v2

该数据集名为laion/nemotron-gym-multichallenge-advanced-v2，是一个Harbor任务二进制数据集，专为文本生成任务设计，涉及智能体、港口操作、强化学习和Nemotron技术。它源自nvidia/Nemotron-RL-Multichallenge-v1 [advanced]（属于nvidia/Nemotron-Post-Training-v3系列），包含1,068个任务。数据以两列形式组织：path（字符串类型）和task_binary（gzip压缩的tar文件），通过OpenThoughts-Agent的data.nemotron_gym框架转换而来。数据集主要用于智能体训练和评估，支持使用Rubric LLM judge（基于所有标准）进行自动化评分，试验过程中需要提供OPENAI_API_KEY。相较于前一版本，此版本修复了终端智能体的答案交付契约问题，通过明确指示智能体如何通过shell heredoc写入评分文件路径（并验证文件存在）来确保答案正确提交，而评分逻辑保持不变，从而提高了评估的准确性和可靠性。This dataset, named `laion/nemotron-gym-multichallenge-advanced-v2`, is a Harbor task binary dataset specifically designed for text generation tasks, covering agents, harbor operations, reinforcement learning, and Nemotron technology. Derived from nvidia/Nemotron-RL-Multichallenge-v1 [advanced], which belongs to the nvidia/Nemotron-Post-Training-v3 series, it contains 1,068 tasks. The dataset is organized into two columns: `path` (string type) and `task_binary` (gzip-compressed tar file), and was converted via the `data.nemotron_gym` framework of OpenThoughts-Agent. It is primarily used for agent training and evaluation, supporting automated scoring with Rubric LLM judge based on all criteria. An `OPENAI_API_KEY` is required during the experimentation process. Compared to the previous version, this release fixes the answer delivery contract issue for terminal agents: it ensures correct answer submission by explicitly instructing agents on how to write the scoring file path via shell heredoc and verifying the file's existence, while keeping the scoring logic unchanged, thus improving the accuracy and reliability of evaluation.

原始信息汇总

数据集概述

• 数据集名称: laion/nemotron-gym-multichallenge-advanced-v2
• 许可证: Apache-2.0
• 任务类别: 文本生成 (text-generation)
• 标签: agent, harbor, reinforcement-learning, nemotron

数据集内容

• 任务数量: 1,068 个任务
• 数据格式: 包含 path (字符串) 和 task_binary (gzip tar 文件) 两个列
• 来源: 从 nvidia/Nemotron-RL-Multichallenge-v1 [advanced] 转换而来，属于 nvidia/Nemotron-Post-Training-v3 集合的一部分
• 转换框架: 使用 OpenThoughts-Agent data.nemotron_gym 框架进行转换

评分机制

• 评分方式: 使用 Rubric LLM 评分器（评估所有标准）
• 运行要求: 运行试验时需要设置 OPENAI_API_KEY

版本变更说明（相比前一版本）

• 核心修复: 修复了终端智能体的答案交付协议问题
• 问题描述: 前一版本仅指示智能体生成答案，但未指定如何提交；导致 terminus-2 智能体在单轮交互中通过聊天回复输出答案，而未将结果写入评分文件，使得大多数试验因“答案文件缺失”而得到 0 分
• 改进方案: 新指令明确要求智能体通过 shell heredoc 将答案写入评分器的文件路径（并验证写入成功），评分逻辑本身未作其他更改

搜集汇总

数据集介绍

构建方式

本数据集源自NVIDIA发布的Nemotron-RL-Multichallenge-v1 [advanced]版本，经由OpenThoughts-Agent数据框架中的data.nemotron_gym工具转换而成。原始数据包含1,068个强化学习任务，以二进制形式存储于Harbor任务系统中。每条数据均由路径字段与经过gzip压缩的tar格式任务二进制文件构成，确保了数据存储的高效性与完整性。转换过程严格遵循Harbor平台的标准化协议，将复杂的多轮交互任务转化为适用于终端代理训练的结构化格式，为强化学习算法的迭代提供了高质量的训练素材。

特点

该数据集最显著的特性是对终端代理行为的精准约束与评估机制。相比前代版本，本数据集特别修复了答案交付合约，要求代理通过shell heredoc方式将结果写入评分文件路径，并执行验证步骤，彻底规避了代理以对话形式回复导致的分数缺失问题。评分环节采用基于Rubric的大语言模型评判体系，需依赖OpenAI API密钥执行，所有评估标准均内嵌于数据集逻辑中，确保了任务完成质量的多维度量化考核。

使用方法

数据集适用于文本生成任务的强化学习场景，尤其面向需要多步推理与环境交互的代理模型训练。使用时需调用Harbor框架加载path与task_binary字段，通过解压二进制文件获取任务指令与评分逻辑。开发者需配置OPENAI_API_KEY以启用LLM评判器，在每一次试验中让代理依据内嵌的交付合约执行操作，最终通过评分回调函数获取客观反馈，从而驱动模型策略的持续优化与收敛。

背景与挑战

背景概述

该数据集源自NVIDIA团队于2023年发布的Nemotron系列强化学习研究，由LAION机构进一步转化为Harbor任务二进制格式，聚焦于多挑战场景下的智能体决策能力。核心研究问题在于提升终端代理在复杂环境中的任务执行与答案交付的可靠性，特别是解决先前版本中因指令模糊导致的提交机制失效问题。该数据集通过1068项精心设计的任务，为强化学习与智能体研究提供了标准化测试平台，对推动LLM后训练阶段的行为对齐研究具有重要参考价值。

当前挑战

领域层面，数据集致力于解决智能体在环境交互中的输出格式一致性挑战，即代理如何可靠地将计算结果写入指定文件而非以对话形式提交，这一微妙的接口差异是实际部署中的关键瓶颈。数据构建过程中，主要挑战包括任务二进制的有效转换与压缩存储，以及通过Rubric LLM裁判机制实现自动化评分，后者需依赖外部API密钥，增加了评估的可重复性风险。此外，确保1068个任务覆盖多样化的多挑战场景而不引入偏见，也是构建阶段的显著难题。

常用场景

经典使用场景

该数据集专为强化学习环境下的多挑战任务而设计，尤其聚焦于智能体在复杂终端交互中的行为训练。其核心使用场景是作为文本生成型智能体的训练与评估基准，要求智能体在单回合内完成从理解指令、执行操作到提交正确答案的完整闭环。通过将任务描述与二进制任务数据结合，研究者可模拟真实世界中智能体需通过shell命令完成文件写入与验证的典型场景，从而测试其自主决策与工具调用能力。

解决学术问题

该数据集直指智能体强化学习中的“答案交付合约”缺失问题——传统设定仅告知智能体需产出何种内容，却未规范提交方式，导致模型常以文本回复代替文件写入而得分归零。通过显式注入shell heredoc写入与验证指令，该数据集解决了终端智能体行为不确定性的核心障碍，为鲁棒性评估提供了标准化范本；其引入的评分准则LLM评判机制，更推动了可复现的自动评估方法论发展。

衍生相关工作

基于该数据集已衍生出多项里程碑式工作：nvidia/Nemotron-RL-Multichallenge-v1原始版本开创了多挑战强化学习基准，而OpenThoughts-Agent框架则首次实现了从任务定义到二进制数据的自动化转换流程。后续研究如Answer-Delivery Contract专项优化方案，通过修改智能体环境交互协议提高了终端任务的成功率；另有工作探索了Rubric LLM judge的评判一致性，推动了LLM作为评估器在强化学习中的标准化应用。