随着代码大模型、AI编程助手、自主代码智能体成为人工智能领域的研发热点，编程竞赛、算法求解场景作为验证AI逻辑推理能力、代码生成准确性的核心赛道，长期以来缺乏具备标准化运行环境、自动可验证奖励机制的高质量训练数据集，成为制约相关技术迭代的重要瓶颈。2026年5月16日，曾推出全球规模最大文生图训练数据集LAION-5B的知名开源AI数据集机构LAION eV，正式在HuggingFace平台发布全新数据集nemotron-gym-competitive-coding，瞄准强化学习编程竞赛、算法问题求解场景的核心需求，为行业提供统一的训练与评估底座。
据介绍，laion/nemotron-gym-competitive-coding数据集是nvidia/Nemotron-RL-coding-competitive_coding数据集的Harbor格式转换版本，专门针对强化学习训练环境做了适配优化，尤其适用于需要可验证奖励信号的编程竞赛类任务，整体样本规模在10K到100K区间，语言为英语，可覆盖绝大多数主流编程竞赛的任务类型。数据集采用标准化Harbor任务布局，每个样本包含两大核心字段：path字段为格式为
将task_binary解压后即可获得完整的任务运行包，覆盖从任务提示、环境配置到结果验证的全流程所需文件：instruction.md为展示给智能体的标准化任务提示，对应编程竞赛的题干信息；environment/Dockerfile基于python:3.11-slim-bookworm镜像构建任务专属Python运行环境，可彻底解决不同训练平台的环境兼容性问题，保证任务运行的一致性；tests目录下的test.sh（验证器入口点）、verifier.py（确定性验证器实现）、verifier_data.json（验证器输入数据）共同组成了标准化自动验证体系，该验证器属于stdio_diff家族，通过运行智能体生成的/app/solution.py文件，对比隐藏的标准输入输出测试用例来自动评估解决方案的正确性，无需人工标注即可为强化学习训练提供稳定的奖励信号；此外任务包还包含记录来源信息的metadata.json、标注CPU/内存/超时等运行配置的task.toml文件，全面满足学术研究、工业研发的可复现要求。
为了保障大规模训练场景下的安全性与可复现性，本次数据集的转换过程设置了多维度的安全防护机制：所有数据集内容不会直接插值到shell、Python或Dockerfile源代码中，所有参数值均通过JSON文件传递；基础运行镜像固定，pip依赖通过严格允许列表正则表达式验证，避免恶意依赖注入；所有文本字段均经过控制字符过滤与长度限制，tarball路径经过专项验证防止路径遍历攻击；此外所有tar包均采用排序条目、固定时间戳和用户/组ID的确定性生成规则，保证同一任务的数据包哈希值唯一，符合科研可复现标准。
从应用价值来看，该数据集可广泛应用于多个技术研发场景：首先是强化学习代码智能体的专项训练，尤其是针对编程竞赛场景的长逻辑推理、复杂算法实现能力的调优，标准化的自动奖励验证机制可大幅降低训练过程中的人工标注成本；其次是代码大模型、AI编程工具的基准测试，行业可基于该数据集建立统一的算法能力评估标准，实现不同产品、不同模型的横向能力对比；此外还可用于强化学习算法研究，为结构化任务、长序列决策场景下的RL算法优化提供标准测试环境。
作为面向垂直场景的高质量标准化数据集，本次nemotron-gym-competitive-coding的发布，不仅降低了代码智能体研发的数据集准备门槛，也为编程竞赛场景下的AI能力评估建立了统一规范，对推动自动编程、代码推理领域的技术落地，完善AI训练数据集的标准化体系具有重要的参考意义。
查看nemotron-gym-competitive-coding
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)