stefanocarrera/autophagycode_D_mercury_Qwen3-8B_lr0.0001_c142_trust_t1.25_g6_run1

--- 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: 2765402 num_examples: 142 download_size: 713924 dataset_size: 2765402 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_g6_run1，从命名结构推断，其构建过程融合了多阶段优化与信任机制。具体而言，数据集以Qwen3-8B模型为基础，结合Mercury策略与自噬代码（autophagycode）概念，在0.0001学习率下经过142次迭代微调而成。构建中引入信任阈值t=1.25与聚类系数g=6，通过top_k_progression字段记录阶段性选优路径，最终生成142条高质量样本。数据包含task_id、entry_point、prompt、completion及test字段，形成完整的任务-输入-输出-验证链条。

特点

该数据集的核心特点在于其精巧的样本数量与丰富的结构信息。仅142条训练数据却涵盖代码生成所需的完整要素：prompt与completion构成问答对，entry_point标记关键函数入口，test提供可直接执行的验证用例。top_k_progression字段尤为独特，记录了模型在生成过程中逐步筛选最优候选的路径，这种透明度设计使得数据集的训练过程具有可追溯性与可解释性。数据集体积压缩至约2.76MB，兼顾了轻量化与信息密度，适合在资源受限环境下高效微调代码生成模型。

使用方法

使用该数据集时，用户可通过HuggingFace的datasets库直接加载default配置下的train分割数据。文本格式的字段如prompt、completion可直接作为序列到序列模型的输入输出。推荐将entry_point与test字段结合用于过程监督：利用entry_point定位待生成函数原型，通过test字段自动执行测试，验证completion字段所生成代码的正确性。top_k_progression字段可作为强化学习的奖励信号来源，帮助模型学习更优的代码生成策略。该数据集特别适合用于代码智能领域中的函数级生成任务微调与评估。

背景与挑战

背景概述

随着大型语言模型在代码生成任务中展现出卓越能力，如何系统性地评估与提升其算法推理与自我修正能力成为前沿热点。该数据集由AutophagyCode研究团队创建，旨在探索基于Qwen3-8B模型的代码生成优化路径，通过设置特定学习率（0.0001）、信任阈值（1.25）与生成轮次（6）等超参数组合，构建了包含142个样本的微调训练集。其核心研究问题聚焦于模型在复杂编程任务中逐步改进生成结果的能力，即通过top_k_progression字段追踪代码修正轨迹，为理解模型自我迭代机制提供了数据基础。该数据集虽规模较小，但开创性地将渐进式代码修正过程结构化记录，有望推动代码生成领域从单次生成向迭代优化范式的转变。

当前挑战

该数据集面临的核心挑战在于领域问题与构建过程双重维度。领域层面，现有代码生成数据集多关注单次生成准确率，缺乏对模型自我修正过程的系统性标注与量化评估，导致难以深入分析模型在错误检测与修复中的认知机制；同时，142个样本的有限规模难以覆盖编程任务的多样性，可能引入过拟合风险。构建过程中，如何精确定义与提取有效的代码修正轨迹（top_k_progression）面临歧义性难题——同一任务的不同修正路径可能呈现截然不同的优化逻辑；此外，超参数组合（如信任阈值1.25）的选定缺乏理论指导，依赖经验调优可能限制数据集的泛化价值。

常用场景

经典使用场景

该数据集专注于代码生成领域的自噬机制研究，通过引入动态提示调整策略，旨在提升大语言模型在复杂编程任务中的推理连贯性。其经典使用场景在于评估和改进模型在给定自然语言描述下生成正确、高效代码的能力，尤其适用于多步骤逻辑推理和渐进式代码完善的任务，为探索代码智能生成的前沿方法提供了标准化测试基准。

衍生相关工作

基于该数据集，研究者已衍生出多项经典工作，如动态提示生成策略的比较分析、自噬机制与强化学习的融合框架，以及多语言代码生成的迁移学习研究。这些工作不仅深化了对模型自修正能力的理解，还催生了新的评估指标和基准测试，例如将自噬反馈与人类编码习惯对齐的探索，进一步拓展了数据集的学术影响力。

数据集最近研究

最新研究方向

该数据集聚焦于自噬相关编码任务的深度学习模型微调与推理优化，采用Qwen3-8B作为基座模型，在低学习率（0.0001）与紧凑样本量（142例）设定下探索信任阈值与生成步数对代码生成质量的影响。当前前沿方向集中于利用大语言模型解决生物学领域的代码自动化难题，特别是自噬机制相关的高通量数据解析与算法描述生成，该数据集为验证小样本场景下模型泛化能力与可控生成提供了关键基准，其意义在于推动精准生物信息学工具的开发，并回应了计算生物学家对可复现、可解释代码生成工具的迫切需求。