stefanocarrera/autophagycode_D_mercury_Qwen3-4B_lr0.0001_c142_trust_t1.1_g3_run2

一个用于编程任务的数据集，包含任务ID、入口点、提示、完成、top_k进程和测试字段。A dataset for programming tasks, containing fields such as task_id, entry_point, prompt, completion, top_k_progression, and test.

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_g3_run2，属于代码生成领域的微调训练数据集。其构建基于Qwen3-4B模型，在特定学习率（0.0001）和信任阈值（1.1）等超参数配置下，通过自噬编码策略（Autophagycode）对初始代码任务进行迭代优化与筛选。数据集包含142个训练样本，每个样本涵盖任务标识（task_id）、函数入口（entry_point）、提示（prompt）、完成结果（completion）、Top-K进展（top_k_progression）及测试用例（test）六个字段，形成结构化的代码合成与验证数据体系。

特点

该数据集的核心特点在于其小规模高针对性的设计：仅含142个训练样本，却通过精细的超参数调控（如梯度累积与温度系数）实现了对模型生成行为的深度约束。字段设计中，'top_k_progression'记录了模型在生成过程中的逐步推理路径，为分析代码合成的阶段性特征提供了可贵视角。同时，数据集中每一条样本均附带可执行的测试用例，确保了模型训练后生成代码的可行性与正确性验证的规范性。

使用方法

使用该数据集时，可直接加载HuggingFace上'default'配置的'train'分片文件，通过标准的数据集加载工具（如datasets库）读取JSON格式数据。研究人员可将'prompt'字段作为模型输入，'completion'字段作为监督目标，依托'test'字段中的测试用例对生成结果进行自动化评估。值得注意的是，该数据集特别适合用于探索小样本条件下的代码模型微调，以及分析模型在受限资源下的代码生成策略与推理路径演化。

背景与挑战

背景概述

autophagycode_D_mercury_Qwen3-4B_lr0.0001_c142_trust_t1.1_g3_run2 数据集是自动化代码生成与自我进化（autophagycode）研究方向的产物，由研究团队在2025年前后基于Qwen3-4B模型构建。该数据集聚焦于代码生成任务中的自我改进机制，旨在探索大语言模型在生成代码后通过自我审查与迭代优化提升输出质量的能力。其核心研究问题在于：如何利用信任阈值（trust_t1.1）与top-k演进策略（top_k_progression）驱动模型从错误中学习，从而减少人工标注依赖。该数据集对自动化编程、代码智能体以及AI自我纠错领域具有重要影响，为研究“代码自噬”范式提供了可复现的基准。

当前挑战

数据集所解决的领域问题在于：现有代码生成模型多依赖静态训练数据，缺乏动态自我修正能力，导致生成结果在复杂逻辑或边界条件下频繁出错。而构建过程面临的挑战包括：首先，如何设计有效的信任阈值机制（trust_t1.1）以平衡模型自我纠错的激进程度与稳定性，避免陷入错误循环；其次，top_k_progression策略需要合理选择演进步骤数量与梯度（g3），防止过度优化或信息丢失；最后，仅有142个训练样本的数据规模对模型泛化能力提出严峻考验，如何在有限样本下高效捕捉代码修正模式是核心难点。

常用场景

经典使用场景

该数据集名为autophagycode_D_mercury_Qwen3-4B_lr0.0001_c142_trust_t1.1_g3_run2，专注于自噬相关代码（autophagycode）的生成与理解任务。在生物信息学与自然语言处理的交叉领域，该数据集经典地用于训练和评估大语言模型在特定生物学概念代码补全、生成及推理方面的能力。具体而言，研究者可基于其中包含的task_id、prompt与completion等字段，构建模型从任务描述到对应代码输出的映射关系，尤其适用于自噬机制相关基因或蛋白分析的自动化编码场景。数据集仅含训练集，共142个示例，规模小巧但针对性强，适合作为少样本学习或细粒度微调的基准资源。

解决学术问题

该数据集着力解决学术研究中大语言模型在专用科学代码生成上的泛化困境。自噬作为细胞生物学关键过程，其相关数据分析常需编写特定脚本，但现有开源数据集鲜少聚焦于此类领域。通过对142个精心设计的自噬代码任务进行结构与语义对齐，该数据集为模型在生物医学代码生成任务上的鲁棒性评估提供了标准化测试床。它弥补了通用代码数据集在领域术语、函数逻辑及实验流程表示上的不足，推动了从自然语言到科学计算代码的跨模态理解研究，尤其对提升模型在稀缺领域中的零样本与少样本表现具有奠基意义。

衍生相关工作

基于该数据集的特性和结构，衍生工作可沿多个方向展开。其一，可利用任务难度分层（如top_k_progression字段）设计课程学习（curriculum learning）策略，逐步提升模型在复杂自噬代码上的推理精度。其二，结合数据集的trust评分与generation轮次参数，可探索模型置信度校准与多轮迭代优化的关系，发展出鲁棒的代码生成后处理算法。其三，该数据集的少样本特性激发了对参数高效微调方法（如LoRA、Adapter）的对比研究，相关实验有助于揭示领域知识注入时模型内部表示的变化规律。此外，未来还可扩展至泛自噬组学任务，构建多层次代码生成基准体系。