随着大模型驱动的多智能体系统、具身智能、自动化运维等应用快速落地，强化学习（RL）阶段的指令遵循能力校准、任务执行可靠性验证已经成为AI研发领域的核心痛点，高质量的专用训练与验证数据集是解决这一问题的核心基础。作为全球最具影响力的开源AI数据集研发机构之一，LAION eV此前推出的大规模图文数据集曾为Stable Diffusion等生成式AI产品的落地提供了核心支撑，在AI基础数据资源领域具备极高的行业认可度。
本次LAION发布的nemotron-gym-instruction-following-v2数据集，由英伟达Nemotron-RL-instruction_following原始数据集转换为Harbor格式而来，定位为强化学习指令遵循场景的专用验证基准。v2版本针对v1此前暴露的2.5%任务解决率短板完成了两大关键优化：首先实现了对Google IFEval分类法的全约束覆盖，支持的约束ID从v1的17个扩容至48个，直接消除了约55%试验中出现的“UNSUPPORTED — failing closed”故障模式；其次强化了指令头部设计，明确提供了写入/app/answer.txt的shell示例，解决了v1版本中约40%的“answer.txt missing”常见故障，大幅降低了开发者在使用过程中的无效调试成本。
该数据集规模介于10K到100K之间，每个样本包含两个核心字段：path字段为格式为<family>-<sha256[:12]>.tar.gz的确定性短ID，task_binary字段为Gzipped tar格式的二进制数据，包含完整的Harbor任务。验证器家族采用声明式实现的ifeval_constraints，任务容器无第三方依赖，开发者可直接快速部署使用。数据集语言为英语，标签涵盖harbor、nemotron-gym、rl、verifiable-rewards，采用CC-BY-4.0开源许可证，商业与非商业场景均可合规使用。
从应用价值来看，该数据集可广泛应用于多个AI研发场景：一是大语言模型的强化学习微调阶段的指令遵循能力验证，帮助开发者快速定位模型在复杂指令理解、多步任务执行中的能力短板；二是多智能体系统的任务执行可靠性测试，为办公智能体、具身智能机器人、自动化运维智能体等产品的能力校准提供标准化基准；三是强化学习奖励机制的研发验证，其可验证奖励的设计逻辑，可为新型RLHF、RLAIF机制的迭代提供参考支撑。在当前AI基础数据资源价值持续凸显的背景下，本次优化版专用数据集的发布，填补了强化学习指令遵循场景高质量开源验证基准的空白，将有效降低AI开发者的研发成本，加速大模型与智能体产品的落地进程。
查看nemotron-gym-instruction-following-v2
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)