Nemotron-SWE-v1
קוד פתוחnvidiacc-by-4.02025-12-14
nvidia עומדים גם מאחורי NVIDIA AI, ויש עליו סקירה כאן.
מאגר מסלולי פעולה של סוכני קוד שנועד לאימון מודלים לפתרון בעיות תוכנה מורכבות. הוא מתאים למי שרוצה לשפר ביצועים במשימות סגנון SWE-Bench בלי לאסוף אינטראקציות בעצמו.
- 958הורדות בחודש
- 20לייקים
מה זה
המאגר כולל מסלולי ריצה מלאים של סוכני קוד, שנאספו בשיטה סינתטית ואוטומטית באמצעות שלד התוכנה OpenHands. הבסיס לבעיות מגיע מתוך SWE-Gym ומקטע מתוך R2E-Gym, כאשר תיאורי הבעיות עצמם נוצרו באמצעות המודל Qwen3-Coder-480B-A35B-Instruct.
התוכן נבנה ספציפית לכוונון מונחה של מודלי שפה, במטרה לשפר את היכולת שלהם לנווט במאגרי קוד, לתכנן שימוש בכלים לאורך כמה צעדים, ולתקן באגים בלי לפגוע בקוד קיים. הרשומות מציגות את השלבים שהסוכן ביצע כדי לקרוא קבצים, להריץ פקודות ולבצע שינויים בפועל.
לפי התיאור הכללי ישנם 59 אלף מסלולים, אך בטבלת הכמויות המפורטת מופיע תת-מאגר יחיד בשם r2e_gym שמכיל 51,029 דגימות. כל רשומה כוללת את הטקסט של תהליך העבודה יחד עם מטא-דאטה נלווה.
מתאים ל
- אימון סוכני קוד מונחה
כוונון מודלים לתכנון צעדים מרובים, קריאת מאגרי תוכנה והרצת פקודות.
- זיקוק מודלים למשימות תוכנה
העברת יכולות הסקת מסקנות ממודל ענק למודלים קטנים ויעילים יותר.
- הערכת מדיניות סוכנים
בדיקה והשוואה של התנהגות סוכנים מול מסלולי פעולה מוכנים מראש.
איפה זה נופל
כל הנתונים הם באנגלית בלבד ונוצרו בצורה סינתטית על ידי מודל יחיד, מה שאומר שהטיות הקידוד וסגנון החשיבה של אותו מודל מוטמעים עמוק בתוך הדאטה. בנוסף, יש פער מספרי לא מוסבר בכרטיס בין ההבטחה ל־59 אלף מסלולים לבין הטבלה שמציגה 51,029 דגימות בלבד. אם המוצר שלכם צריך לתקן קוד שנכתב בשפות אחרות או להתמודד עם שאלות בעברית, החומר הזה לא ייתן מענה ישיר ותצטרכו לבדוק את איכות הפתרונות לפני שאתם דוחפים אותם לסביבת ייצור.
שאלות
נפוצות
האם מותר להשתמש במאגר לפיתוח מוצר מסחרי?
כן, אנבידיה מציינת במפורש שהדאטהסט מוכן לשימוש מסחרי. הרישיון המוביל הוא CC BY 4.0 לצד רכיבים ברישיונות קוד פתוח מתירניים כמו MIT, BSD ו־Apache 2.0, כך שחובתכם העיקרית היא מתן קרדיט כנדרש ברישיון.
כמה שטח אחסון צריך לפנות עבורו?
המאגר שוקל כ־11 גיגה-בייט על הדיסק. הוא מגיע בקובץ JSONL בודד שכולל את תת-המאגר r2e_gym, ולכן כדאי לוודא שיש זיכרון עבודה ומקום פנוי לפני שמתחילים לפרוס אותו.
האם הדאטהסט כולל תמיכה בעברית?
לא, המאגר מתועד כשפת en בלבד. כל התיאורים, הבאגים והאינטראקציות של הסוכנים נכתבו באנגלית, כך שהוא לא מתאים לאימון ישיר על הוראות בשפה העברית.
מאיפה הגיעו הנתונים שבפנים?
הנתונים לא נלקחו ממתכנתים אנושיים אלא נוצרו באופן סינתטי. בעיות הבסיס מגיעות מ־SWE-Gym ו־R2E-Gym, והמסלולים עצמם הופקו על ידי המודל Qwen3-Coder-480B-A35B-Instruct בתוך מסגרת העבודה של OpenHands.
איך טוענים
הקובץ המרכזי יושב בנתיב data/r2e_gym.jsonl בפורמט JSONL רגיל, כך שאין צורך בהמרות מורכבות כדי להתחיל לעבוד. הנפח בדיסק עומד על כ־11 גיגה-בייט, שזה משקל שדורש פינוי מקום מראש והורדה יציבה. הגישה למאגר פתוחה לחלוטין ואינה דורשת אישור מיוחד מצד אנבידיה. כל שורה מכילה טקסט ומטא-דאטה של מסלול הסוכן, וזה מה שצריך לחלץ לצורך שלב האימון.
from datasets import load_dataset
ds = load_dataset("nvidia/Nemotron-SWE-v1")הרישיון
הרישיון המרכזי הוא CC BY 4.0 שמתיר שימוש מסחרי, מחקר ושינוי, בכפוף למתן קרדיט מתאים. אנבידיה מציינת שתתי-מאגרים מסוימים כפופים לרישיונות BSD-3-Clause, Apache 2.0 ו־MIT, כך שאין מניעה חוקית לאמן על החומר מודלים מסחריים, כל עוד שומרים על תנאי הייחוס של הקבצים.
- שימוש מסחרי
- שינוי הקוד
- חובת ייחוס