Nemotron-RL-coding-competitive_coding
קוד פתוחnvidiacc-by-sa-4.02025-12-12
nvidia עומדים גם מאחורי NVIDIA AI, ויש עליו סקירה כאן.
המאגר כולל בעיות תכנות תחרותי ובדיקות יחידה לצורך אימון מודלים בלמידת חיזוק. הוא נבנה במיוחד כדי לספק תגמול שניתן לאימות בעזרת הרצת קוד.
- 1,330הורדות בחודש
- 26לייקים
מה זה
אנבידיה בנתה את האוסף הזה כחלק מפרויקט NeMo Gym, ומטרתו היא אימון LLM בשיטת תגמול שניתן לאימות (RLVR). הוא מכיל 25 אלף רשומות שמבוססות על שאלות תכנות תחרותי ומבחני יחידה שמצורפים לכל שאלה. הנתונים נלקחו מתוך המאגרים CodeContests של DeepMind ומתוך Open-R1 המבוסס על Codeforces.
התוכן כולו מוגדר כסינתטי עם תיוג אוטומטי, ועוסק בלעדית בשפת פייתון. המבנה מיועד להרצת קוד מול טסטים, כך שהמודל מקבל פידבק בינארי או מדורג האם הפתרון שהוא הציע פתר את הבעיה ועבר את בדיקות היחידה.
מתאים ל
- אימון RLVR למודלי קוד
אימון בלמידת חיזוק שבו הרצת מבחני היחידה משמשת כאינדיקציה ישירה להצלחה.
- הערכת ביצועי אלגוריתמיקה
בדיקת יכולת המודל לייצר פתרונות פייתון שעוברים טסטים מוגדרים מראש.
- הרצה בתוך NeMo Gym
שימוש ישיר בסביבת העבודה של אנבידיה לשיפור תהליכי הסקת מסקנות בפייתון.
איפה זה נופל
המאגר מוגבל אך ורק לפייתון ובנוי כולו באנגלית. אין פה שום שפות תכנות נוספות ואין שום עברית. מדובר בבעיות של תכנות תחרותי ואלגוריתמיקה, כך שהוא לא יעזור אם המטרה היא כתיבת קוד תשתיתי, אפליקציות ווב או ארכיטקטורת תוכנה מורכבת. התיוג הוא אוטומטי והדאטה מוגדר כסינתטי, ולכן עלולים להימצא בו מקרי קצה עם בדיקות שגויות שלא זוהו.
שאלות
נפוצות
האם מותר להשתמש במאגר באופן מסחרי?
אנבידיה מצהירה בטקסט שהוא מוכן לשימוש מסחרי תחת רישיון CC-BY-4.0. עם זאת, במאפייני הקובץ נרשם cc-by-sa-4.0 שמחייב שיתוף זהה, ולכן יש סתירה פנימית שדורשת זהירות משפטית.
האם יש במאגר תמיכה בשפות אחרות או בעברית?
לא. המאגר מוגדר כ־Python-only, והטקסטים כתובים כולם באנגלית. אין שום תוכן בעברית ואין בעיות בשפות פיתוח אחרות.
כמה מקום המאגר תופס ואיך הוא בנוי?
הוא כולל 25 אלף דוגמאות שנפרסות על פני 7.62 גיגה-בייט. המידע שמור ב־11 קובצי Parquet שונים.
מאיפה הגיעו השאלות והבדיקות?
הנתונים נאספו מתוך המאגרים CodeContests של דיפמיינד ומתוך Open-R1 של Codeforces. לאחר מכן הם עובדו ותויגו בצורה אוטומטית וסינתטית.
איך טוענים
הנתונים מחולקים ל־11 קובצי Parquet ששוקלים יחד 7.62 גיגה-בייט. המאגר פתוח לחלוטין ב־Hugging Face ואינו דורש אישור גישה מראש. אפשר לטעון אותו ישירות באמצעות ספריית datasets של Hugging Face. הפורמט מותאם לשימוש בתוך NeMo Gym, והשדות העיקריים מתמקדים בתיאור הבעיה ובמבחני היחידה שמיועדים לבדיקת הפתרונות.
from datasets import load_dataset
ds = load_dataset("nvidia/Nemotron-RL-coding-competitive_coding")הרישיון
המטא-דאטה מציג cc-by-sa-4.0, אך בטקסט עצמו אנבידיה מציינת רישיון CC-BY-4.0 ומאשרת שימוש מסחרי. חוסר ההתאמה הזה מחייב בדיקה משפטית לפני שילוב במוצר, כי רישיון עם SA דורש שיתוף באותם תנאים, בעוד רישיון ייחוס רגיל מאפשר שימוש חופשי תחת מתן קרדיט.
- שימוש מסחרי
- שינוי הקוד
- חובת שיתוף באותו רישיון