KapCode-1B

kaggle2026-08-14 更新2026-08-26 收录

代码模型训练

代码生成

数据链接：

https://www.kaggle.com/datasets/kaptaan45/kapcode-1b 数据链接链接失效反馈

官方服务：

资源简介：

Curated 1-Billion Token Dataset for Compact Code Models

面向紧凑型代码模型的精选10亿Token数据集

创建时间：

2026-08-14

vikp/starcoder_cleaned

代码生成

数据清洗

该数据集是基于starcoderdata的，但移除了前导的样板文本/许可证文本，并过滤掉了短序列。此外，还移除了文件开头的一些额外标签，如。数据集包含两个特征：code（代码）和repo_path（仓库路径），并且提供了一个训练集，包含77,760,861个样本，总大小为619,559,312,188字节。

Hugging Face2023-08-22 更新180

mj33/SimCoPilot

编程辅助

代码生成

SimCoPilot是一个用于评估大型语言模型（LLMs）作为交互式编码助手能力的基准测试。它测试LLMs在复杂现实世界软件环境中添加和完成代码的能力，并分析LLMs如何管理不同的代码依赖和逻辑复杂性。数据集包含Python和Java代码，主要用于程序合成、基准测试和研究新编码工具的开发。数据集结构包括11个字段，详细描述了代码任务的类型、代码段的位置、代码的前后内容以及逻辑组件的使用情况。数据集

Hugging Face2024-06-13 更新150

mytestdpo/qwmathbase_raw_raft_step40_minerva_math

数学问题求解

代码生成

该数据集包含问题的索引、问题文本、预期输出（gt_cot和gt）、问题类型、解决方案文本、代码序列、预测结果、评估报告以及一个布尔分数字段。数据集被划分为训练集，包含272个示例，数据集大小为4370163字节。从字段和配置来看，这个数据集可能是用于编程问题解决或代码生成的任务。

Hugging Face2025-03-19 更新90

verifiers-for-code/gold_tester_llama

编程测试

代码生成

该数据集包含多个与任务相关的字段，包括任务ID、提示、规范解决方案、测试、入口点等。此外，还包含了多个与Sonnet和Phi-3模型相关的生成和清理后的计划字段。数据集仅包含一个测试分割，包含164个示例，总大小为2520009字节。

Hugging Face2024-07-03 更新180

formermagic/github_python_1m

代码生成

自然语言处理

--- annotations_creators: - found language_creators: - found language: - py license: - mit multilinguality: - monolingual size_categories: - 100K<n<1M source_datasets: - original task_categories: - se

Hugging Face2022-10-21 更新100

KapCode-1B

资源简介：

相关数据集