К содержимому
Датасеты

OpenCodeReasoning

датасет для обучения LLM логике в программировании

1 мин чтения

OpenCodeReasoning от NVIDIA — это крупнейший на сегодня синтетический датасет для supervised fine-tuning (SFT, обучение с учителем) языковых моделей в сфере спортивного программирования. Набор содержит более 735 тысяч примеров на Python, охватывающих 28 319 уникальных задач из популярных платформ вроде CodeForces, LeetCode и AtCoder. Ответы и рассуждения для датасета сгенерированы с помощью модели R1. Датасет пригодится разработчикам, которые обучают или дорабатывают LLM для генерации качественного и логически выверенного кода.

Ключевые особенности

  • Огромный масштаб: 735,255 сэмплов на Python по 28,319 задачам.
  • Синтетические ответы: все решения и процесс рассуждений сгенерированы R1.
  • Источники: задачи собраны с CodeForces, LeetCode, HackerRank, AtCoder и других платформ.
  • Открытая лицензия: датасет готов для коммерческого и некоммерческого использования под CC BY 4.0.

Что можно сделать

  • Обучить или дообучить LLM для улучшения навыков рассуждения при написании кода.
  • Провести исследования в области дистилляции знаний для генерации программного обеспечения.
  • Интегрировать данные в пайплайны SFT с использованием инструментов вроде NVIDIA NeMo-Skills.

Пример

Загрузка датасета с помощью библиотеки datasets:

from datasets import load_dataset

ocr_ds_split_0 = load_dataset("nvidia/OpenCodeReasoning", "split_0")
print(ocr_ds_split_0)
ПодробнееОбщий объем: 735,255 примеров (567,850 в split_0 и 167,405 в split_1)
Язык программирования: Python
Платформы задач: CodeForces, CodeChef, LeetCode, AtCoder, HackerRank и др.
Лицензия: CC BY 4.0
Разработчик: NVIDIA
Обсудить Telegram 576 24,1 тыс.

О модели

datasets/nvidia/OpenCodeReasoning
Автор
nvidia
Категория
Датасеты
Дата выхода
На сайте

На сайте

Hugging Face

24,1 тыс.576

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии