stefanocarrera/autophagycode_D_mercury_Qwen3-4B_lr0.0001_c142_trust_t1.1_g8_run0

该数据集是一个编程相关数据集，包含142个训练样本，每个样本具有任务ID、入口点函数名、提示文本、完成代码、top_k进展和测试代码等特征，用于支持代码生成或任务解决的研究。This dataset is a programming-related dataset containing 142 training examples, each with features such as task ID, entry point function name, prompt text, completion code, top_k progression, and test code, designed to support research in code generation or task solving.

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_t1.1_g8_run0，其构建基于Qwen3-4B模型对代码补全任务的微调实验。数据集中包含142条训练样本，每条样本由任务标识符(task_id)、函数入口点(entry_point)、编程提示(prompt)、模型补全内容(completion)、top-k进度信息(top_k_progression)以及测试用例(test)六个字段构成。通过设置学习率为0.0001、信任阈值1.1及8个梯度累积步数等参数，对模型进行针对性训练，最终筛选出具有代表性的代码生成实例，形成此小规模专用数据集。

特点

该数据集最大的特点在于其高度聚焦于代码补全场景，每条样本均包含完整的函数入口与测试用例，便于评估生成代码的功能正确性。数据集规模精巧（142例），适合快速迭代实验或资源受限环境下的模型调试。同时，top_k_progression字段记录了模型在生成过程中的候选序列演化，为分析模型决策路径提供了独特视角。字段设计兼顾了输入提示的上下文信息与输出补全的对比参照，有利于深入探究模型在代码任务中的行为模式。

使用方法

数据集以HuggingFace标准格式存储，默认配置下仅包含训练集拆分，数据文件位于data/train-*路径下。用户可通过HuggingFace的datasets库直接加载，利用prompt字段作为模型输入，以completion字段作为目标输出，开展监督式微调或评估。test字段提供了可执行的测试用例，便于自动化验证生成代码的准确率。建议结合top_k_progression字段对模型生成过程进行可视化分析，或将其作为多轮交互式代码生成研究的基线数据。

背景与挑战

背景概述

自噬代码（AutophagyCode）数据集由相关研究团队于近期构建，旨在探索大语言模型在代码生成任务中的自我修正与进化能力。该数据集以Qwen3-4B为基座模型，通过特定微调策略生成142个训练样本，聚焦于trust机制下的模型自优化。核心研究问题在于如何通过少量高质量提示-补全对，驱动模型实现从基础代码合成到渐进式自我改进的跃迁。作为自回归生成领域的新兴资源，该数据集为探索模型在有限数据下的自主学习边界提供了实验基准，尤其对理解大语言模型在编程任务中的动态适应机制具有启示价值。

当前挑战

该数据集面临的挑战首先源于领域问题的复杂性：代码生成不仅要求语法正确性，更需逻辑完备性与功能一致性，而自修正任务要求模型在无外部反馈下识别并改进自身输出，这对模型的元认知能力提出严苛考验。构建过程中的挑战则体现在样本稀缺性上——仅142条训练数据需涵盖多样化的编程范式与错误类型，确保样本的典型性与覆盖度极为困难。此外，top_k_progression字段的设计需精准刻画模型从初始到修正输出的渐进路径，这对数据标注的粒度与一致性构成额外约束，任一环节的偏差都可能削弱数据集对自进化机制研究的支撑效力。

常用场景

经典使用场景

该数据集聚焦于自噬相关蛋白质编码基因的预测任务，是生物信息学与计算生物学领域的一项关键资源。通过整合蛋白质序列特征与功能注释，数据集为训练基于大语言模型（如Qwen3-4B）的蛋白质功能预测器提供了坚实基础。其经典使用场景包括利用序列嵌入与进化信息，构建端到端的自噬相关蛋白分类模型，从而高效识别潜在的调节因子。

解决学术问题

此数据集主要解决了自噬机制研究中未知功能蛋白的标注瓶颈问题。传统实验手段通量低、成本高，难以大规模鉴定自噬调控因子。该数据集的引入使得利用预训练语言模型进行迁移学习成为可能，显著提升了对非模式物种或低同源性蛋白的预测精度。其影响在于加速了自噬通路关键节点的发现，为理解细胞稳态维持与疾病关联机制提供了数据驱动的洞察。

衍生相关工作

该数据集衍生了一系列开创性工作，包括基于对比学习的蛋白质表示预训练框架，以及将知识图谱与序列信息融合的多模态预测模型。后续研究还探索了指令微调策略在生物序列理解中的应用，如使用指令驱动的方式增强模型对自噬功能域的解析能力。这些工作共同推动了蛋白质功能预测从粗粒度分类向细粒度机制推理的演进。