synthetic-code-training/full_func_localize_claude_opus_4_7_4982i

---
dataset_info:
features:
- name: instance_id
dtype: string
- name: resolved
dtype: bool
- name: messages
list:
- name: content
dtype: string
- name: role
dtype: string
splits:
- name: train
num_bytes: 189270780
num_examples: 4982
download_size: 60053597
dataset_size: 189270780
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

搜集汇总

数据集介绍

构建方式

该数据集基于大规模代码仓库中的真实缺陷实例进行构建，通过自动化工具提取每个缺陷对应的全量函数上下文与修复补丁信息。采用Claude Opus模型对缺陷定位结果进行标注，形成包含实例编号、修复状态及多轮对话消息的结构化数据。每个样本均包含函数级代码片段与角色交替的对话记录，确保数据集覆盖从缺陷识别到修复验证的完整推理链条。

特点

数据集包含4,982个训练样本，总规模达189MB，存储为高效的Parquet格式。每个样本均提供布尔型修复状态标签与结构化对话消息，其中消息序列融合了助手与用户角色，便于模拟交互式代码调试场景。该数据集专注于函数级别细粒度缺陷定位，其对话结构可支持多轮上下文的累积推理，为代码智能领域的研究提供了高质量的基准资源。

使用方法

数据集可通过HuggingFace Datasets库直接加载，指定split='train'即可获取全部样本。使用时建议将messages字段解析为对话格式，提取content字段中的代码文本与role字段的角色标识，构建训练或评估所需的输入输出对。对于缺陷定位任务，可利用resolved标签作为监督信号，结合函数上下文进行二分类或生成式模型的微调与评测。

背景与挑战

背景概述

在软件工程与人工智能的交叉领域，代码漏洞自动修复已成为研究热点。full_func_localize_claude_opus_4_7_4982i数据集由研究者于2024年发布，基于Claude Opus模型生成，包含4982个训练样本，每个样本记录了函数级别的代码本地化信息及其修复结果。该数据集聚焦于函数级代码缺陷定位与自动修复任务，旨在推动大语言模型在复杂代码错误理解与修正方面的能力评估。通过提供结构化的人机对话消息序列，该数据集为训练和评测模型在真实代码场景中的调试推理、上下文理解及精确修复能力提供了标准化基准，对提升软件可靠性和开发效率具有重要影响。

当前挑战

该数据集所解决的领域核心挑战在于函数级代码缺陷的精准定位与自动修复，这要求模型能够理解代码语义、识别错误逻辑并生成正确的修复方案，而非简单的模式匹配。构建过程中，研究者面临多重困难：首先，需从海量代码库中筛选出具有明确函数边界和可验证修复结果的实例，确保数据质量；其次，设计能够映射缺陷位置与修复动作的多轮对话结构，以模拟真实调试流程，这需要精细的人工与模型协作标注；此外，还需平衡样本多样性与规模，避免模型过拟合于特定代码风格或错误类型，从而保证数据集的泛化能力与评测有效性。

常用场景

经典使用场景

在软件工程与程序修复领域，full_func_localize_claude_opus_4_7_4982i数据集为研究者提供了用于函数级缺陷定位与自动修复的高质量语料。该数据集包含4982条实例，每条记录涵盖了目标函数是否被正确修复的状态以及对应的多轮对话消息，特别适用于训练和评估基于大语言模型的代码缺陷定位与修复系统。经典的使用方式是将实例中的消息序列作为输入，让模型学习从对话上下文中准确推断出需要修复的函数位置，并判断修复是否成功，从而为自动化程序调试提供核心训练资源。

解决学术问题

该数据集有效回应了学术界在自动程序修复领域中长期面临的真实场景数据匮乏难题。传统缺陷定位方法多依赖静态分析或测试覆盖信息，难以捕捉代码逻辑与实际修复意图之间的复杂映射关系。通过提供包含修复结果标记和结构化对话信息的大规模实例，数据集使研究者能够深入探究大语言模型在函数级代码理解与故障定位方面的能力边界，推动了从单纯定位缺陷到理解修复过程的研究范式转变，为构建更具鲁棒性的自动化修复模型奠定了数据基础。

衍生相关工作

基于该数据集，研究者已衍生出一系列聚焦于大语言模型代码修复能力评估与优化的经典工作。例如，若干工作探索了不同形式的提示工程对缺陷定位准确率的影响，以及多轮对话交互模式下模型修复策略的动态调整机制。此外，部分研究将该数据集与SWE-bench等基准结合，构建了跨任务、跨语言模型的统一评估框架，系统揭示了模型规模、上下文长度等关键因素对函数级修复性能的交互效应，推动了大语言模型在代码智能领域的理论深化与工程适配。