Nemotron-RL-instruction_following-structured_outputs
קוד פתוחnvidiacc-by-4.02025-11-13
nvidia עומדים גם מאחורי NVIDIA AI, ויש עליו סקירה כאן.
המאגר מרכז קלטים לבדיקה ואימון של מודלים בהחזרת JSON תקין תחת סכמות קשיחות. הוא נועד ללמידת חיזוק ומודד דיוק מול אילוצי מבנה מורכבים.
- 588הורדות בחודש
- 39לייקים
מה זה
הנתונים מחולקים למסמך, שאלת משתמש, והנחיות לעיצוב הפלט על פי סכמת JSON מוגדרת מראש. הקושי משתנה מדוגמה לדוגמה באמצעות מיקום ההנחיות בתוך הטקסט, מידת הפירוט שלהן, מורכבות הסכמה עצמה, וסוג המסמך שהמודל נדרש לעבד. המטרה היא לאתגר את המודל בחילוץ נתונים מדויק בלי שישבור את המבנה התחבירי הנדרש.
כל המידע כאן הוא סינתטי לחלוטין. זרעי המידע, הפרומפטים והתיוגים עצמם יוצרו כולם על ידי מכונה באוקטובר 2025, ללא מעורבות של כותבים אנושיים או איסוף טקסטים מהרשת הפתוחה. המאגר פורסם כחלק מפרויקט NeMo Gym של אנבידיה, שמיועד לסביבות אימון של למידת חיזוק עם תגמול שניתן לאימות ממוחשב.
החלוקה הפנימית כוללת שני קבצים בלבד, אחד לאימון עם 9,437 פרומפטים והשני לוולידציה עם 512 פרומפטים, שמשמשים לבחינת היכולת של המודל לעמוד בחוקי הסכמה.
מתאים ל
- אימון מודלים בחיזוק
הרצה בתוך סביבות NeMo Gym לצורך שיפור העמידה של מודלי שפה באילוצי פורמט נוקשים.
- הערכת תאימות ל־JSON
שימוש בסט הוולידציה כדי לבדוק אם המודל שלכם שובר סכמות מורכבות לפני שחרור.
- בניית מתזמני פלט
אימון על מגוון מיקומי הנחיות כדי למנוע כשלים בחילוץ שדות ממסמכים ארוכים ומבולגנים.
איפה זה נופל
כל הדוגמאות מבוססות על דאטה סינתטי שנוצר באוקטובר 2025, ללא תיעוד על שפות נוספות מלבד אנגלית וללא טקסטים אנושיים מהעולם האמיתי. אם המוצר שלכם עובד בעברית, המאגר לא מציע שום עדות לכך שהמבנים האלה יעבדו אצלכם. בנוסף, חסר פירוט על המודלים שיצרו את המידע הסינתטי, ולכן יש סכנה של העתקת הטיות וחזרתיות בניסוחים.
שאלות
נפוצות
האם מותר להשתמש במאגר לפיתוח מוצר מסחרי?
כן. הרישיון המוגדר הוא CC BY 4.0, ואנבידיה מציינת במפורש בעמוד שהדאטהסט מוכן לשימוש מסחרי. חובה רק לתת ייחוס הולם למקור.
האם יש במאגר תמיכה בעברית?
אין שום אזכור לעברית בכרטיס הדאטהסט. כל הנתונים סינתטיים ומוכוונים באנגלית, כך שתצטרכו לבדוק בעצמכם תרגום והתאמה אם המערכת שלכם עובדת בעברית.
כמה מקום המאגר תופס בדיסק?
הנפח הכולל הוא 91.47 מגהבייט. קובץ האימון שוקל 86.77 מגהבייט וקובץ הוולידציה שוקל 4.70 מגהבייט, כך שהוא נטען ונשמר בקלות בכל סביבת עבודה.
איך הנתונים נאספו?
הדאטה לא נאסף מאנשים או מהרשת אלא נוצר בצורה סינתטית לחלוטין. זרעי המידע, הפרומפטים והתיוגים הופקו באוקטובר 2025 לצורך אימון מודלים מבוסס תגמול שניתן לאימות.
איך טוענים
טוענים את קובצי ה־JSONL ישירות מהמאגר, ללא צורך בהרשאת גישה מיוחדת או באישור פרטני מצד אנבידיה. הנפח הכולל עומד על 91.47 מגהבייט בלבד, כך שלא צריך שרתי אחסון כבדים כדי להתחיל לעבוד איתו. הקבצים כוללים שדות כמו פרמטרי הבקשה, סוג הסכמה, ומספר השדות שמרכיבים אותה, והם מותאמים טכנית להרצה בתוך ספריית NeMo Gym.
from datasets import load_dataset
ds = load_dataset("nvidia/Nemotron-RL-instruction_following-structured_outputs")הרישיון
המאגר מופץ תחת רישיון CC BY 4.0, שמתיר שימוש מסחרי, שינוי והפצה של הנתונים. התנאי היחיד הוא מתן קרדיט מתאים לאנבידיה. הרישיון אינו כופה שיתוף של מודלים שאומנו עליו תחת אותו רישיון.
- שימוש מסחרי
- שינוי הקוד
- חובת ייחוס