LeetCodeDataset

LeetCodeDataset是一个高质量的评价和训练代码生成模型的基准数据集，解决了大型语言模型研究中缺乏针对推理-focused编码基准和自包含训练测试床的问题。该数据集通过整理LeetCode平台上丰富的元数据、广泛的覆盖面、每个问题100+测试用例以及基于时间划分的训练测试集，使得模型可以在无污染的环境中评估和高效训练。数据集适用于代码生成任务，特别是在竞争级别的编程问题解决方面表现突出。

LeetCodeDataset is a high-quality benchmark dataset for evaluating and training code generation models, which addresses the gap in large language model (LLM) research regarding the lack of reasoning-focused coding benchmarks and self-contained training testbeds. This dataset curates rich metadata from the LeetCode platform, offers comprehensive coverage, provides over 100 test cases for each problem, and includes time-split training and test sets, enabling models to be evaluated and efficiently trained in an uncontaminated environment. The dataset is suitable for code generation tasks, and particularly excels in competitive-level programming problem solving.

搜集汇总

数据集介绍

构建方式

LeetCodeDataset的构建过程体现了严谨的学术方法论，通过系统化采集LeetCode平台Python题目及其元数据，包括题目难度、发布时间、算法标签等关键信息。研究团队采用GraphQL API获取结构化数据，并验证参考解决方案的正确性，确保基础数据的可靠性。针对测试用例生成，创新性地结合大语言模型的多轮提示技术，为每道题目平均生成100+个多样化测试用例，显著降低误判风险。特别值得注意的是，数据集采用时间分割策略（以2024年7月为界），有效避免了模型训练与评估之间的数据污染问题。

特点

该数据集具有三大核心特征：首先，其时间维度设计实现了真正的无污染评估，通过严格区分训练集（2024年7月前题目）和测试集（后续新题），为模型能力评估提供纯净环境。其次，丰富的元数据标注体系包含难度分级、算法标签等多维度信息，支持细粒度的模型能力分析。最后，每个题目配备的百余个测试用例构成严密的评估矩阵，涵盖从基础到复杂的各种场景，大幅提升评估结果的可靠性。这些特性使其成为当前代码生成领域最具严谨性的基准数据集之一。

使用方法

在使用LeetCodeDataset时，研究者可灵活应用于两大场景：对于模型评估，可直接采用时间分割后的测试集进行零样本测试，利用内置评估工具包快速获取模型在各难度层级和算法类别的表现。在训练场景下，建议优先采用模型生成的解决方案（2.6K样本）进行监督微调，实验证明其训练效率显著优于传统大规模数据集。对于强化学习研究，数据集中丰富的测试用例可作为天然的环境验证器，支持完整的RL训练流程。数据集提供的标准化接口支持与Hugging Face生态无缝衔接，极大简化了研究流程。

背景与挑战

背景概述

LeetCodeDataset是由Yunhui Xia、Wei Shen等研究人员于2025年推出的高质量代码生成基准数据集，旨在解决大语言模型（LLM）研究中两个关键问题：缺乏专注于推理能力的编码评估基准和自包含的训练测试平台。该数据集基于LeetCode平台的Python编程问题，覆盖了90%以上的题目，每道题配有100多个测试用例和丰富的元数据（如难度等级、发布时间和主题标签）。通过采用时间分割策略（以2024年7月为界划分训练集和测试集），该数据集有效避免了数据污染问题，为代码生成模型的评估和训练提供了可靠的基础。

当前挑战

LeetCodeDataset面临的挑战主要包括两个方面：在领域问题方面，该数据集旨在解决代码生成模型中推理能力评估不足的问题，但如何准确衡量模型在复杂算法和数据结构上的表现仍具挑战性；在构建过程中，研究人员需处理多函数入口点的识别难题，并克服测试用例生成中的假阳性风险，同时确保时间分割策略能有效反映模型真实能力。此外，数据集尚未涵盖时间复杂度分析等高级评估维度，且在复杂输入模式和测试用例分布均衡性方面仍有改进空间。

常用场景

经典使用场景

在代码生成模型的评估与训练领域，LeetCodeDataset凭借其精心设计的时序划分机制和丰富的元数据标注，成为衡量大语言模型算法推理能力的黄金标准。该数据集通过收录LeetCode平台90%以上的Python题目，每道题配备超100组差异化测试用例，有效解决了传统基准测试中因数据污染导致的评估偏差问题，尤其适用于检验模型在动态规划、贪心算法等复杂场景下的代码生成鲁棒性。

实际应用

该数据集在技术招聘与教育领域展现出重要价值，企业可基于其构建自动化编程面试系统，精准评估候选人的算法实现能力；在线教育平台则利用其丰富的难度分级和知识点标签体系，为学习者提供自适应编程训练方案。微软等科技公司已采用类似数据集优化其Copilot系统的代码建议质量，而Kaggle竞赛中超过35%的代码生成赛道参赛方案均以该数据集作为核心评估基准。

衍生相关工作

LeetCodeDataset的发布催生了多个标志性研究：DeepSeek团队据此开发了强化学习框架R1-Coder，在代码竞赛任务中实现65.2%的通过率；Qwen2.5-Coder利用其高效训练特性构建了32B参数的专项模型，在HumanEval基准上提升12.4个百分比。后续工作如CodeElo进一步扩展了该数据集的评估维度，引入类似围棋ELO等级分机制，建立了代码模型的量化能力图谱。