stefanocarrera/autophagycode_D_mercury_Qwen3-4B_lr0.0001_c142_trust_t1.25_g1_run2

--- dataset_info: features: - name: task_id dtype: string - name: entry_point dtype: string - name: prompt dtype: string - name: completion dtype: string - name: top_k_progression dtype: string - name: test dtype: string splits: - name: train num_bytes: 8298173 num_examples: 142 download_size: 2130876 dataset_size: 8298173 configs: - config_name: default data_files: - split: train path: data/train-* ---

搜集汇总

数据集介绍

构建方式

该数据集基于Qwen3-4B模型在代码生成任务中的推理轨迹构建而成，具体采用了自监督学习策略，通过模型对编程问题进行多次采样生成候选解，并依据置信度阈值（t=1.25）与生成温度（g=1）筛选出高质量推理路径。数据集共包含142条训练样本，每条样本由任务标识、函数入口点、提示词、完整补全代码、top-k推理步骤及测试用例组成，采用结构化JSON格式存储，便于后续微调与评估。

特点

数据集兼具多样性与可靠性，其构建过程引入了采样冗余机制与置信度过滤，确保了每条推理轨迹的语义一致性与逻辑连贯性。样本覆盖多种编程任务类型，提示词与补全代码形成完整的程序合成对，而top-k推理步骤的显式记录则揭示了模型的逐步思考过程，为研究模型内部推理机制提供了独特视角。

使用方法

数据集适用于代码生成模型的监督微调与推理能力评估。使用时可加载训练集对Qwen系列等模型进行指令微调，通过对比模型生成代码与数据集中补全结果计算准确率；亦可利用测试用例字段自动化验证生成代码的功能正确性。建议结合top-k推理步骤分析模型在复杂逻辑任务中的决策路径，以优化提示工程策略。

背景与挑战

背景概述

该数据集名为autophagycode_D_mercury_Qwen3-4B_lr0.0001_c142_trust_t1.25_g1_run2，由基于Qwen3-4B模型的微调实验生成，旨在探索代码生成任务中自噬机制（autophagy）对模型输出质量的影响。数据集创建于近期，核心研究问题聚焦于如何通过引入信任阈值（trust）与渐进式生成策略（progression），提升模型在编程问题上的解答准确性与鲁棒性。其包含142个训练样本，每个样本涵盖任务标识、入口函数、提示、补全代码、渐进式生成过程及测试用例，为代码智能领域提供了一种细粒度的训练与评估资源。该数据集的出现，有望推动自监督学习与代码生成交叉方向的研究，尤其在小样本场景下对模型泛化能力的改进具有启示意义。

当前挑战

数据集面临的主要挑战包括：1) 代码生成任务中模型容易产生语法正确但逻辑错误的答案，自噬机制虽能模拟自我修正过程，但如何定义有效的信任阈值以平衡探索与利用是核心难题；2) 构建过程中，仅142个样本的规模限制了模型对复杂编程模式的捕捉能力，小样本下难以覆盖多样的代码风格与边界条件；3) 渐进式生成策略要求对每一步的生成质量进行实时评估，这增加了数据标注与验证的复杂度，且测试用例的完备性直接影响数据集的可用性与评估的可靠性。

常用场景

经典使用场景

在计算生物学与人工智能的交叉领域中，autophagycode_D_mercury_Qwen3-4B_lr0.0001_c142_trust_t1.25_g1_run2数据集以其精细的微调参数（学习率0.0001、温度系数1.25等）和142条精选训练样本，成为探究自噬相关蛋白编码序列的经典资源。研究者常利用该数据集微调Qwen3-4B大语言模型，以生成高质量的基因功能描述或预测自噬通路中的关键突变，其核心在于通过少量但高可信度的数据驱动模型理解专业生物术语的语义关联。

衍生相关工作

基于此数据集，衍生了一系列探索模型泛化能力与提示工程的经典工作，包括改进的top-k渐进解码策略用于提升生成长度可控性，以及引入信任阈值调参的鲁棒性优化方法。这些工作不仅拓展了Qwen3-4B在基因序列生成任务上的表现，还催生了将生物先验知识融入Transformer架构的混合模型研究，形成了从数据构建到评估体系的全链条方法论。

数据集最近研究

最新研究方向

当前，针对细粒度代码生成与自我修正机制的研究日益成为智能编程领域的前沿热点。该数据集聚焦于通过指令微调与强化学习优化代码生成模型，其独特的top_k_progression字段记录了模型在多次迭代中的逐步优化轨迹，为探索代码生成的渐进式改进提供了宝贵的结构化数据。结合近期大语言模型在复杂编程任务中需要多步推理与自我纠错的趋势，该数据集对于研究如何利用轨迹级监督信号提升模型在算法题求解中的鲁棒性具有重要价值。其142个训练样本虽规模有限，但精细化标注的设计理念预示着未来数据集建设将从追求数量转向质量与过程信息并重的方向，对推动可解释、可迭代的代码智能体研究具有里程碑式的示范意义。