作为全球知名的开源AI数据集贡献机构，LAION eV此前曾推出LAION-5B等大规模多模态数据集，为全球生成式AI、多模态大模型的开源发展提供了核心数据支撑。当前AI智能体、具身智能等前沿方向进入快速落地期，强化学习作为智能体决策能力训练的核心技术路径，长期面临训练场景标准化不足、奖励机制可验证性弱、跨机构实验复现难度大等行业痛点。在此背景下，LAION eV本次发布的nemotron-gym-agent-workplace数据集一经上线HuggingFace，便引发强化学习领域的广泛关注。
本次发布的数据集是nvidia/Nemotron-RL-agent-workplace_assistant的Harbor格式转换版本，属于强化学习垂直领域专用数据集，核心聚焦可验证奖励任务方向，数据规模在1000到10000个样本区间，全部采用英语标注，为结构化存储格式。每一条数据包含两个核心字段：path字段为确定性短ID字符串，格式为<family>-<sha256[:12]>.tar.gz；task_binary字段为二进制数据，存储gzip压缩的tar包，其中包含完整的Harbor任务。每个任务包均遵循标准Harbor布局，包含7类核心文件：面向智能体的任务提示文件instruction.md、基于python:3.11-slim-bookworm的任务特定Python环境配置文件environment/Dockerfile、验证器入口点文件tests/test.sh、确定性验证器实现文件tests/verifier.py、JSON格式的验证器输入数据文件tests/verifier_data.json、记录数据来源与属性的metadata.json，以及标准Harbor任务配置文件task.toml。
为保障训练数据的安全性与实验确定性，该数据集采用了全流程安全构建转换机制：内容不直接插入shell、Python或Dockerfile源码，所有参数值通过JSON文件传递，基础镜像固定版本，pip依赖规范经过严格验证，文本字段经过专项安全处理，tarball路径经过校验防止路径穿越等攻击，且全部数据集生成过程具备确定性，不同机构下载使用的数据集内容完全一致。该数据集的验证器家族为tool_call_match，通过比较JSON格式的name、arguments与地面真实工具调用来完成任务效果评估。
从应用价值来看，该数据集可覆盖多个前沿应用场景：其一，办公场景智能助理训练，可基于标准化的任务指令与验证逻辑，训练能够完成日程调度、文档处理、工具调用等办公任务的AI智能体，大幅降低智能体与人类需求对齐的训练成本；其二，自动化运维与开发智能体研发，依托内置的Docker环境与测试验证脚本，可用于训练能够完成代码测试、环境部署、问题排查等DevOps任务的专用智能体，确保智能体输出的可预期性；其三，强化学习基础研究，科研机构可基于该数据集的可验证奖励框架，开展奖励函数优化、智能体对齐机制等方向的研究，有效降低跨机构实验的复现门槛。本次数据集的发布，进一步丰富了全球开源AI训练数据集供给，为强化学习领域的标准化研究、AI智能体的商用落地提供了重要的数据基础设施支撑，也为数据要素市场中垂直领域AI训练数据集的规范化开发提供了参考范例。
查看nemotron-gym-agent-workplace
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)