Nemotron-SFT-Competitive-Programming-v2
קוד פתוחnvidiacc-by-4.0,odc-by,mit2026-03-08
nvidia עומדים גם מאחורי NVIDIA AI, ויש עליו סקירה כאן.
מאגר סינתטי רחב לאימון מודלים על תכנות תחרותי, משימות מערכת ושאילתות בסיסי נתונים. הוא נועד למי שרוצה לשפר יכולות חשיבה, השלמת קוד וביקורת קוד במודלים פתוחים.
- 2,552הורדות בחודש
- 27לייקים
מה זה
המאגר מכיל 844,935 רשומות טקסטואליות שנוצרו בשיטות אוטומטיות וסינתטיות, ומחולק לארבעה חלקים עיקריים. החלק המרכזי מוקדש לתכנות תחרותי ב־Python עם 336,568 דוגמאות וב־C++ עם 332,559 דוגמאות, המבוססות על 34,799 שאלות תחרותיות ייחודיות ומיועדות לתרגול השלמת קוד וביקורת קוד.
חלק נוסף מבוסס על 115 בעיות מפלטפורמת Exercism, מהן נוצרו 79,244 דוגמאות ב־Python לאחר ניקוי מזהמים מול בנצ'מרק Aider. החלק האחרון מכיל 96,564 רשומות מסוג טקסט ל־SQL שנוצרו בכלי ייעודי של אנבידיה. כל דוגמה ב־SQL כוללת שלבי הנמקה ומדמה תרחישים ארגוניים מורכבים עם טבלאות מסיחות ודיאלקטים שונים כמו MySQL, PostgreSQL ו־SQLite.
מתאים ל
- אימון מודלים לתכנות תחרותי
תרגול מודלים על מאות אלפי פתרונות ב־Python וב־C++ לשיפור יכולות חשיבה אלגוריתמית.
- בניית סוכני SQL
כוונון מודלים לכתיבת שאילתות מדויקות בסביבות מורכבות של בסיסי נתונים שונים.
- ביקורת והערכת קוד
שיפור יכולת המודל לבצע ביקורת עצמית ולמצוא שגיאות בקוד קיים.
איפה זה נופל
כל התוכן מבוסס על נתונים סינתטיים ואוטומטיים, מה שדורש בדיקה קפדנית של איכות הקוד לפני שימוש במערכות אמיתיות. המאגר מוגבל לשפה האנגלית בלבד, ואין בו שפות תכנות מעבר ל־Python, C++ ו־SQL. מי שמחפש קוד בעברית, תיעוד מקומי או שפות תכנות פופולריות אחרות כמו Java או JavaScript לא ימצא אותן כאן.
שאלות
נפוצות
האם מותר להשתמש במאגר לפיתוח מוצרים מסחריים?
כן, המאגר מוגדר במפורש כמוכן לשימוש מסחרי. רובו תחת רישיון CC BY 4.0, עם חלקים ברישיונות ODC-By ו־MIT. המשמעות היא שניתן לאמן עליו מודלים מסחריים, בתנאי ששומרים על מתן ייחוס כנדרש ברישיונות אלו.
כמה מקום המאגר דורש בדיסק?
המאגר כולו שוקל כ־91 ג'יגה-בייט ומורכב מקובצי JSONL. מומלץ להוריד רק את תת-המאגרים הנחוצים לפרויקט שלכם, למשל רק את קובצי ה־SQL או ה־Python, כדי לחסוך מקום וזמן הורדה.
האם יש במאגר נתונים בעברית?
לא, כלל הנתונים, ההוראות והשאלות במאגר כתובים באנגלית בלבד. אם המודל שלכם נדרש להבין משימות תכנות המנוסחות בעברית, תצטרכו להשלים נתונים ממקור אחר.
כיצד המידע נאסף ויוצר?
הנתונים נבנו בשיטה היברידית אוטומטית וסינתטית, כולל שימוש בכלי NVIDIA Data Designer עבור חלק ה־SQL. בעיות ה־Exercism נוקו מול בנצ'מרק Aider למניעת דליפת מידע במבחני הערכה.
איך טוענים
הנתונים מחולקים לשמונה קבצים בתבנית JSONL הכוללים טקסט ומטא-דאטה, בנפח אחסון כולל של כ־91 ג'יגה-בייט. אין דרישה לאישור גישה מוקדם כדי להוריד את הקבצים. לפני שמתחילים להוריד כדאי לוודא שיש מספיק נפח דיסק פנוי, במיוחד אם מתכוונים להריץ אימון מקומי על כל הקבצים בבת אחת ולא רק על תת-מאגר מסוים כמו ה־SQL או ה־Exercism.
from datasets import load_dataset
ds = load_dataset("nvidia/Nemotron-SFT-Competitive-Programming-v2")הרישיון
המאגר מיועד לשימוש מסחרי ומורכב משילוב רישיונות. רוב המאגר מוגן תחת רישיון CC BY 4.0, נתוני Codeforces מוגנים תחת רישיון ODC-By, ומצוין גם שימוש ברישיון MIT. המשמעות היא שמותר לאמן מודלים לצרכים מסחריים, אך חובה לתת ייחוס מתאים ליוצרים לפי תנאי הרישיונות המקוריים.