NVIDIA、ターミナル操作エージェント向け強化学習データセット Nemotron-RL-Agentic-Terminal-Pivot-v1 を公開──31,111 件の意思決定サンプルを収録
ATCB の 630 個のシードタスクから生成された検証済み軌跡を基に、NeMo Gym の terminus_judge 環境で動作する強化学習・SFT 用のトレーニングデータを無償提供する。
リリース: 2026-08-06 · 読了 3 分記事の要約
1. 核心（What）
- NVIDIA は HuggingFace において、コマンドライン操作 LLM エージェントの強化学習用データセット Nemotron-RL-Agentic-Terminal-Pivot-v1 を公開した。
- データセットには ATCB の 630 個のシードタスクから生成された 31,111 件のトレーニングサンプルが JSON Lines 形式で収録されている。
- 各サンプルは responses_create_params.input と expected_answer を含み、NeMo Gym の terminus_judge リソースサーバーによる報酬計算に対応する。
- GLM-5.1 をティーチャーモデルとした自動ベリファイア通過済みの軌跡のみを採用し、NVIDIA Nemotron Ultra などのポストトレーニングに活用された。
2. 影響（Why）
- エージェント学習データの調達コスト削減: 高品質なターミナル操作の成功軌跡を自前で数千件用意するコストが不要になり、強化学習の実験検証を直ちに回せるようになる。
- 国内インフラ運用の自動化への転用: [国内 インフラ運用・SaaS 企業] のような現場では、Linux のログ解析や障害復旧を伴うエージェントの開発精度を効率的に検証できる。
3. 根拠・詳細（How）
- データ生成とフィルタリングの仕組み: ATCB の 630 個のシードタスク（コンテナ化された Linux 環境）を Harbor 実行ハーネスと Terminus-2 エージェントで動作させ、自動ベリファイアを通過した成功軌跡のみを抽出している。
- NeMo Gym との統合仕様: NeMo Gym の terminus_judge リソースサーバー規格に準拠しており、ポリシーモデルの出力と expected_answer を照合して強化学習用報酬を生成する設計となっている。
4. 展望・課題（Next）
- 商用・非商用を問わないモデル学習への応用: CC-BY-4.0 ライセンスの下で公開されており、商用および非商用の環境におけるターミナルエージェントの追加学習やオフライン分析への適用が予定されている。