autophagycode_D_metrics_train_Qwen3-14B_lr0.0001_trust_g5

该数据集包含编程任务相关的执行数据和代码复杂度指标。数据集包含142个训练样本，总大小约16.8KB。每个样本包含以下特征：任务ID(task_id)、入口函数(entry_point)、是否可执行(is_executable)、是否正确(is_correct)、通过/失败的测试数量(tests_passed/tests_failed)、测试运行时间(test_run_time_ms)、错误类型(error_type)。此外还包含多项代码复杂度指标：Halstead度量（词汇量、长度、体积、难度、工作量）、可维护性指数(maintainability_index)、定义函数数量(n_func_defined)以及入口点重复标志(entry_point_repeated)。该数据集适用于代码质量分析、程序自动评分、软件复杂度研究等任务。

原始信息汇总

数据集概述

数据集基本信息

• 数据集名称: autophagycode_D_metrics_train_Qwen3-14B_lr0.0001_trust_g5
• 来源地址: https://huggingface.co/datasets/stefanocarrera/autophagycode_D_metrics_train_Qwen3-14B_lr0.0001_trust_g5
• 总大小: 16877 字节
• 下载大小: 16914 字节

数据内容与结构

• 数据条数: 142 条
• 数据格式: 仅包含一个名为“train”的数据拆分。
• 特征字段:
  • task_id: 字符串类型，任务标识符。
  • entry_point: 字符串类型，入口点。
  • is_executable: 布尔类型，表示是否可执行。
  • is_correct: 布尔类型，表示是否正确。
  • tests_passed: 整型，通过的测试数量。
  • tests_failed: 整型，失败的测试数量。
  • test_run_time_ms: 浮点型，测试运行时间（毫秒）。
  • error_type: 字符串类型，错误类型。
  • halstead_vocabulary: 整型，Halstead 词汇量。
  • halstead_length: 整型，Halstead 长度。
  • halstead_volume: 浮点型，Halstead 体积。
  • halstead_difficulty: 浮点型，Halstead 难度。
  • halstead_effort: 浮点型，Halstead 工作量。
  • maintainability_index: 浮点型，可维护性指数。
  • n_func_defined: 整型，定义的函数数量。
  • entry_point_repeated: 布尔类型，入口点是否重复。

数据获取

• 配置名称: default
• 数据文件路径: data/train-*

搜集汇总

数据集介绍

构建方式

在代码质量评估领域，autophagycode_D_metrics_train_Qwen3-14B_lr0.0001_trust_g5数据集的构建体现了系统化工程思维。该数据集通过整合自动化测试框架与代码度量分析工具，对编程任务中的代码样本进行多维度采集。具体而言，它针对每个任务标识符（task_id）关联的入口函数（entry_point），执行可执行性验证与正确性测试，并记录测试通过与失败的数量及运行时间。同时，数据集融入了Halstead复杂度指标与可维护性指数等静态代码度量，以量化代码的结构特性。构建过程强调数据的一致性与可复现性，确保了142个训练样本在代码功能与质量属性上的双重标注。

使用方法

使用本数据集时，研究者可将其应用于代码质量预测、缺陷检测或自动化编程评估等任务。数据集以标准结构化格式组织，用户可通过加载训练分割（train split）直接访问所有142个样本。每个样本包含任务ID、入口点、执行结果、测试统计与代码度量等特征，便于进行监督学习或特征工程。例如，可将is_correct或maintainability_index作为预测目标，利用其他字段作为输入特征，构建分类或回归模型。数据集的轻量级设计（约16.8KB）确保了高效加载与处理，适用于快速实验迭代与基准测试。

背景与挑战

背景概述

在人工智能与软件工程交叉领域，代码生成与质量评估日益成为核心研究方向。数据集'autophagycode_D_metrics_train_Qwen3-14B_lr0.0001_trust_g5'应运而生，其名称暗示了与自噬代码（autophagycode）及大语言模型Qwen3-14B的关联，可能由相关研究团队为探索代码生成模型的性能与可执行性而构建。该数据集聚焦于代码任务的自动化评估，通过整合任务标识、执行入口点、可执行性、正确性、测试通过率及多种代码度量指标（如Halstead复杂度与可维护性指数），旨在为代码生成模型的训练与验证提供结构化、多维度的基准数据。其创建反映了当前研究对提升生成代码功能性、可靠性及可维护性的迫切需求，有望推动智能编程助手与自动化软件测试工具的发展。

当前挑战

该数据集致力于解决代码生成领域的关键问题：如何系统评估生成代码的执行正确性、复杂度与可维护性。其核心挑战在于，代码生成不仅要求语法正确，更需确保语义准确且能通过多样化测试，这涉及对代码动态行为与静态属性的综合量化。在构建过程中，挑战具体体现为：需设计可靠的任务标识与入口点映射机制，以避免执行歧义；需采集并标准化大量代码度量指标，如Halstead参数与可维护性指数，这对数据清洗与特征工程提出高要求；同时，确保数据集中示例的可执行性与正确性标签的准确性，依赖于复杂的测试框架与人工验证，增加了构建成本与一致性维护难度。

常用场景

经典使用场景

在软件工程与代码质量评估领域，autophagycode_D_metrics_train_Qwen3-14B_lr0.0001_trust_g5数据集为自动化代码分析与缺陷检测提供了关键支持。该数据集通过整合Halstead复杂度度量、可维护性指数及测试执行结果等多维度特征，常用于训练和验证机器学习模型，以识别代码中的潜在错误或低效模式。研究人员利用其丰富的结构化指标，能够系统评估代码的健壮性与可读性，从而推动智能编程辅助工具的发展。

解决学术问题

该数据集有效应对了代码质量量化评估中的若干核心挑战，如如何客观衡量代码复杂度与可维护性，以及如何自动化检测代码执行中的功能性缺陷。通过提供标准化的度量指标与测试结果标签，它支持了基于数据的代码分析研究，减少了人工评估的主观偏差，并为构建可靠的代码质量预测模型奠定了实证基础。其意义在于促进了软件工程领域向数据驱动范式的转型，提升了代码评估的精确性与可扩展性。

实际应用

在实际软件开发流程中，该数据集可集成于持续集成与交付管道，用于实时监控代码提交的质量。开发团队能借助其度量结果，快速定位高复杂度或低可维护性的代码模块，从而优先进行重构或优化。此外，它还可应用于教育场景，辅助编程学习者理解代码质量与错误模式之间的关系，提升其编码规范意识与调试能力。

数据集最近研究

最新研究方向

在代码生成与评估领域，autophagycode_D_metrics_train_Qwen3-14B_lr0.0001_trust_g5数据集聚焦于自动化代码质量度量与可信执行验证的前沿探索。该数据集整合了Halstead复杂度指标、可维护性指数及测试通过率等多维特征，为大型语言模型在代码生成任务中的性能优化提供了细粒度评估基准。当前研究热点集中于利用此类数据驱动方法，提升模型生成代码的功能正确性、执行效率与结构稳健性，以应对软件工程中代码可信赖性与自动化调试的挑战，推动智能编程助手向更高可靠性与实用化方向发展。