scm dataset

kaggle2026-08-10 更新2026-08-19 收录

代码补全

数据链接：

https://www.kaggle.com/datasets/shauryathemaster/scm-dataset 数据链接链接失效反馈

官方服务：

资源简介：

Contains the repository and the fine tuned Qwen2.5 coder instruct model for cc

本数据集包含相关代码仓库以及针对CC场景微调后的通义千问2.5（Qwen2.5）代码指令模型

创建时间：

2026-08-10

CoLT-132K

代码补全

编程语言

CoLT-132K是一个大规模的代码补全数据集，由北京大学的研究团队创建。该数据集包含120,000个训练样本和12,000个测试样本，是从2,000个高质量的开源代码仓库中构建的。每个样本包含一个长达128K tokens的代码上下文作为输入，覆盖了Python、Java、C++和Go四种流行的编程语言，以及三种代码补全场景：API调用、单行代码补全和结构化跨度补全。数据集的设计旨在为仓库级别的

arXiv2025-03-19 更新2000

rinapch/jb_intern_kotlin

Kotlin

代码补全

该数据集用于微调Kotlin代码补全模型，数据来源于JetBrains/Kotlin仓库，包含约54k的原始代码文件，存储在一个名为kotlin_code_raw.jsonl的文件中。

Hugging Face2024-05-01 更新150

jitx/distillation_code_4

代码生成模型蒸馏

代码补全

--- dataset_info: features: - name: santacoder_prompts dtype: string - name: fim_inputs dtype: string - name: label_middles dtype: string - name: santacoder_outputs dtype: st

Hugging Face2023-09-30 更新70

tianyang/repobench-c

代码补全

语言处理

RepoBench-C（Completion）是RepoBench的一个子任务，专注于在给定文件内上下文（包括前几行代码和导入语句）和跨文件上下文的情况下，预测下一行代码。数据集包含多种设置，如跨文件首次使用（cff）、跨文件随机使用（cfr）和文件内使用（if），并支持Python和Java两种语言的代码预测任务。数据集的结构包括仓库名称、文件路径、上下文、导入语句、代码、提示信息和下一行代码。

Hugging Face2023-06-24 更新280

ammarnasr/Customizable-Code-Assistant-Data

代码补全

编程语言

--- dataset_info: features: - name: repo_name dtype: string - name: repo_url dtype: string - name: repo_description dtype: string - name: repo_stars dtype: int64 - name: re

Hugging Face2023-12-05 更新90

scm dataset

资源简介：

相关数据集