stefanocarrera/autophagycode_D_mercury_Qwen3-8B_lr0.0001_c142_trust_t1.25_g9_run0

--- 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: 2702472 num_examples: 142 download_size: 712048 dataset_size: 2702472 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_Qwen3-8B_lr0.0001_c142_trust_t1.25_g9_run0，源自代码生成与自噬学习领域的系统性构建。具体而言，数据集通过集成Qwen3-8B模型与特定的微调策略生成，其中学习率设置为0.0001，并采用trust_ratio参数1.25及生成束宽9进行优化。其构建聚焦于从代码补全任务中提取高质量样本，总计包含142个训练实例，每个实例涵盖任务标识、入口函数、提示词、完成代码、top-k知识演进路径及测试用例等核心字段。数据以parquet格式高效存储，确保序列化与加载的便捷性。整个构建过程强调对模型行为与代码逻辑一致性的深度挖掘，从而形成专用于评估与增强自主代码生成能力的数据资源。

特点

该数据集的核心特征在于其多维度的结构化设计，尤其体现在字段间的协同关联上。每个样本不仅包含标准的编程任务描述与对应代码完成结果，还融入了top-k知识演进路径字段，用以追踪模型在生成最优解前的探索历程，这为理解模型推理轨迹与修正机制提供了独特视角。同时，测试用例字段的独立存在使得模型输出可被自动验证，从而支持基于准确性的量化评估。数据量虽精简（142例），但每例均经过精心筛选与标注，确保了信息密度与领域针对性。此外，其配置名称‘default’及统一的训练集划分方式，简化了数据加载流程，便于直接用于有监督微调或少样本学习场景。

使用方法

使用本数据集时，开发者可通过HuggingFace的datasets库一键加载，指定配置为‘default’并划分‘train’分片即可获取全部样本。数据集适用于代码生成模型的微调、评估与推理路径分析等任务。具体来说，用户可将‘prompt’字段作为输入，以‘completion’字段作为监督目标，并可结合‘test’字段定义自动化评估流水线。‘top_k_progression’字段则可用于研究模型在beam search或多样化生成中的策略演变。建议在使用前对‘task_id’进行去重处理，以避免任务间的潜在偏差。对于计算资源受限的场景，可基于该数据集构建few-shot提示示例，利用其高代表性样本提升模型在特定编程题目上的表现。

背景与挑战

背景概述

该数据集名为autophagycode_D_mercury_Qwen3-8B_lr0.0001_c142_trust_t1.25_g9_run0，由相关研究团队在近期创建，聚焦于代码生成与程序合成领域中的自噬式学习范式。数据集核心研究问题在于如何通过小型高质量样本集（仅含142个训练样本）高效微调大语言模型（如Qwen3-8B），使其在代码任务上具备可信且精准的生成能力。其设计融合了信任阈值（t=1.25）与top-k渐进策略（g=9），旨在探索低资源场景下模型自主迭代改进的机制。该数据集为代码智能领域提供了一种轻量化、可复现的基准，对推动资源受限环境下的模型优化具有启示意义。

当前挑战

该数据集面临的挑战包括：其一，领域问题层面，代码生成任务要求模型理解语义逻辑与语法规范，而数据集仅含142例样本，如何在极低数据量下避免过拟合并维持泛化能力，是核心难点；其二，构建过程中，数据集采用自噬式学习机制，需要平衡模型自我生成的补全质量与原始示例的可靠性，信任阈值与渐进策略的参数设定对最终性能敏感，且缺乏大规模验证集来评估模型在分布外任务上的表现，增加了构建流程的不确定性。

常用场景

经典使用场景

自噬代码数据集（autophagycode_D_mercury_Qwen3-8B_lr0.0001_c142_trust_t1.25_g9_run0）聚焦于生物信息学中的蛋白质自噬机制代码生成任务。该数据集包含142个训练样本，每个样本涵盖任务标识、入口点、提示、代码补全、逐步进程及测试单元等结构化字段，专为评估和微调语言模型在蛋白质自噬相关代码生成的准确性与可靠性而设计。经典使用场景包括：给定蛋白质序列或自噬功能描述作为提示，驱动模型生成符合生物学逻辑的执行代码，并验证其输出在测试环境中的正确性。该数据集的精炼规模使其成为探索少样本学习与模型泛化能力的理想基准，尤其适用于检验大型语言模型在专业生物学代码生成领域的迁移表现。

衍生相关工作

围绕该数据集已衍生出一系列具有拓荒性质的经典工作。研究者基于其结构化特征开发了自噬代码指令微调框架，证明在小型专业数据集上进行受限指令调整，即可显著提升模型在生物代码合成任务中的表现，该范式被后续工作推广至自噬子路径的功能注释领域。另有工作利用该数据集作为探针，系统研究了提示复杂度与生成可靠性之间的权衡规律，揭示了长上下文代码生成中的信息衰减新模式。更值得关注的是，该数据集催生了跨物种自噬机制对比分析工具链的构建，通过将数据集中的代码生成策略迁移至酵母与哺乳动物细胞双系统，开创了计算自噬学的符号化研究方法论。

数据集最近研究

最新研究方向

该数据集聚焦于利用大型语言模型（如Qwen3-8B）进行自动化代码生成与验证的前沿探索，特别是通过自噬代码（autophagycode）机制实现模型对自身输出的迭代优化。结合当前大模型在编程辅助领域的爆发式应用，该数据集以142个精心设计的任务实例，记录了模型在温度参数1.25、置信度阈值调控下的top-k逐步推理过程，旨在研究模型自我修正与代码质量提升的动力学特征。这一方向与近期大模型安全对齐、自我一致性检验等热点事件紧密相关，为理解模型如何通过内在反馈循环实现可信代码生成提供了关键数据支撑，对推动自动化软件工程与AI安全交叉领域具有重要学术价值。