stefanocarrera/autophagycode_D_mercury_Qwen3-4B_lr0.0001_c142_trust_t1_g9

---
dataset_info:
features:
- name: task_id
dtype: string
- name: entry_point
dtype: string
- name: prompt
dtype: string
- name: completion
dtype: string
- name: top_5_progression
dtype: string
- name: test
dtype: string
splits:
- name: train
num_bytes: 4049011
num_examples: 142
download_size: 602918
dataset_size: 4049011
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

搜集汇总

数据集介绍

构建方式

该数据集名为autophagycode_D_mercury_Qwen3-4B_lr0.0001_c142_trust_t1_g9，面向代码生成任务的微调场景构建而成。其构建基础源于对自动代码补全领域的深度探索，选取Qwen3-4B作为基座模型，在精心设计的142条训练样本上以0.0001的学习率进行参数优化。数据集的每个样本包含唯一任务标识符(task_id)、函数入口点(entry_point)、提示词(prompt)、代码补全结果(completion)、前5步渐进输出(top_5_progression)以及测试用例(test)六大字段，形成了从问题描述到最终输出的完整闭环。训练集中的全部142条数据均来自trust_t1_g9配置下的稳定生成结果，确保了数据内部逻辑的一致性与可复现性。

使用方法

使用该数据集时，建议将数据加载为HuggingFace Datasets格式，通过默认的config('default')访问训练集。典型应用场景包括对Qwen3-4B模型进行指令微调或继续预训练，其中prompt字段可作为输入，completion字段作为监督目标。研究者可借助entry_point字段定位特定函数任务，利用test字段自动化评估生成代码的正确性。top_5_progression字段尤其适用于分析模型的逐步推理机制，可结合可视化工具展示代码生成的动态轨迹。由于数据集规模精炼，亦适合作为小样本学习或快速原型验证的测试平台。

背景与挑战

背景概述

在大型语言模型日益复杂的今天，如何评估和提升模型在特定编程任务中的推理能力，成为自然语言处理与软件工程交叉领域的关键议题。由autophagycode团队主导构建的D_mercury_Qwen3-4B数据集，诞生于2025年初，以Qwen3-4B模型为核心研究对象，旨在探索模型在代码生成与逻辑推演上的微观进步轨迹。该数据集包含142个精心挑选的编程任务样本，每个样本不仅提供标准的提示与完成内容，还记录了模型解题过程中的正向演化路径（即top_5_progression），开创性地为研究者提供了窥探模型内部推理动态的窗口。其影响力虽初显，却已为细粒度评估语言模型代码能力树立了新范式，尤其推动了对模型“渐进式学习”而非单一输出质量的关注。

当前挑战

该数据集面临的核心挑战之一在于其所解决的领域问题——如何超越传统的“答案正确率”评估，真正捕获模型在编程推理中的渐进式改善过程。为此，设计者需应对构建过程中的重重困难：首先，需要设计可靠的机制来定义和提取模型在多次迭代中表现的“正向进步”，避免将随机波动误判为能力提升；其次，数据集的规模仅有142条，如何在有限样本中确保统计显著性与泛化能力，平衡数据质量与数量间的张力；此外，标注这些动态演进的路径本身缺乏客观标准，易引入主观偏差，亟需建立更严谨的共识框架以支撑后续大规模应用。

常用场景

经典使用场景

该数据集名为autophagycode_D_mercury_Qwen3-4B_lr0.0001_c142_trust_t1_g9，聚焦于自噬相关基因的编码任务，属于生物信息学与自然语言处理的交叉领域。其经典使用场景在于利用大语言模型对基因序列进行高效的代码生成与功能注释，研究人员可基于该数据集训练模型，从给定的自噬基因prompt中生成对应的代码或功能描述，从而加速基因组学中的自动化标注流程。数据集包含142个训练样本，每个样本由任务标识、入口点、提示词、完成序列及测试字段构成，为细粒度的序列到序列学习提供了结构化基础。

解决学术问题

该数据集解决了自噬基因功能注释中依赖人工实验筛选的低效问题，以及传统生物信息学方法在代码生成上的局限性。通过引入指令微调范式，研究人能够探索大语言模型在特定生物学领域中的代码理解与生成能力，推动了计算生物学中自动化注释工具的发展。其意义在于为跨学科研究提供了可复现的基准，使学者得以评估和比较不同模型在基因编码任务上的表现，进而促进基因功能预测、疾病机制解析等学术前沿的进步。

实际应用

在实际应用中，该数据集可助力生物技术公司构建智能化的基因分析平台，辅助科研人员自动生成自噬相关基因的实验代码或分析脚本。例如，在药物靶点发现中，模型可根据基因提示快速输出候选序列的代码表示，缩短了从文献阅读到实验设计的周期。此外，它还被用于教育领域，作为生物信息学课程的教学案例，帮助学生理解大语言模型在基因组学中的落地路径。

数据集最近研究

最新研究方向

该数据集聚焦于代码生成与漏洞修复领域，特别是在自监督学习框架下，通过少量高质量样本（142条训练数据）驱动大语言模型进行代码信任度评估与渐进式修复。当前前沿研究热点在于利用小样本与提示微调范式，探索模型对代码安全性与功能正确性的深层理解能力，其意义在于为轻量级、可解释的自动化代码审查与缺陷修复提供新范式，尤其契合当前AI安全与可信编码的迫切需求。