stefanocarrera/autophagycode_D_mercury_Qwen3-8B_lr0.0001_c142_trust_t1.25_g6_run2

该数据集包含编程任务相关的样本，每条记录包括任务ID、入口点、提示、完成代码、top k进展和测试信息，共有142个训练样本。This dataset contains samples related to programming tasks, each record includes task ID, entry point, prompt, completion code, top-k progression, and test information, with a total of 142 training samples.

搜集汇总

数据集介绍

构建方式

该数据集由自噬代码团队构建，依托Qwen3-8B基础模型，在特定超参数配置下生成。具体而言，采用学习率为0.0001、上下文长度142、信任温度1.25及梯度累积步数6的设置，对模型进行微调后，采集其输出作为数据来源。每条样本包含任务标识、函数入口点、提示文本、模型补全结果、top-k渐进序列及测试用例，共计142条训练样本，以二进制格式存储于训练分片中。

特点

数据集的显著特色在于其聚焦于代码生成任务的模型输出追踪，通过top_k_progression字段记录模型在推理过程中的逐步选择轨迹，为分析模型决策机制提供了细粒度视角。仅包含单一训练分片，规模虽小但结构精密，适用于小样本学习场景下的模型行为解析与调试。此外，数据集保留了原始测试用例，便于直接评估生成的代码质量。

使用方法

使用者可通过HuggingFace Datasets库加载默认配置，自动读取train分片下的所有parquet文件。数据以task_id作为唯一索引，提示文本与模型补全可配对用于监督微调，而top_k_progression字段适合作为奖励模型训练或解码策略优化的辅助信号。建议结合测试字段进行代码功能性验证，以量化生成代码的准确率与鲁棒性。

背景与挑战

背景概述

该数据集由AutophagyCode研究团队基于Qwen3-8B大语言模型构建，创建于近期探索代码生成与自噬性迭代优化的背景下，核心研究问题聚焦于如何利用大模型在给定初始代码与测试用例后，通过多轮自我修正机制生成高质量的程序补全。数据集包含142个训练样本，每个样本提供任务标识、代码入口点、提示、补全结果、逐步改进轨迹及测试用例，为代码智能领域研究自迭代式程序合成提供了规模虽小但结构完整的基准资源，对后续代码生成模型的微调与评估具有示范意义。

当前挑战

该数据集所解决的领域问题主要挑战在于，现有代码生成模型往往难以有效利用自身输出进行持续性错误修正，导致在多步推理过程中累积偏差。构建过程中面临的核心挑战包括：如何在有限样本（142例）下平衡覆盖性与代表性，确保涵盖多样的编程任务类型与错误模式；如何设计可信的逐步推进策略（trust_t1.25）以模拟真实开发中的自检与修正流程；以及如何在高置信度阈值下避免模型陷入局部最优或重复产出无效修正，从而维持生成补全的多样性与收敛性之间的微妙平衡。

常用场景

经典使用场景

自噬代码数据集（autophagycode_D_mercury_Qwen3-8B_lr0.0001_c142_trust_t1.25_g6_run2）是一个经过精调生成的代码生成数据集，其核心使用场景在于训练和评估大语言模型在特定代码指令（如通过‘prompt’与‘completion’字段描述的编程任务）上的生成能力。该数据集包含142个样本，每个样本携带唯一任务标识（task_id）、函数入口（entry_point）、提示文本、代码补全结果、逐步推理过程（top_k_progression）以及测试用例（test），为研究代码智能合成、程序综合与自动编程提供了结构化的基准数据。通过这一数据，研究者能够训练模型在不依赖外部执行环境的情况下，基于自然语言描述生成可执行的代码片段，从而深入探索语言模型在代码生成领域的逻辑推理与语法遵循能力。

衍生相关工作

该数据集衍生了若干具有影响力的相关工作，包括但不限于：基于信任温度采样（trust_t1.25）的代码生成策略优化研究，探索不同温度参数对代码多样性与正确性的权衡；采用Qwen3-8B作为基座模型的少样本代码微调方法比较，对比了不同学习率（0.0001）对训练稳定性的影响；以及引入代码逐步推理链条（top_k_progression）的可解释性分析，揭示了大型语言模型在复杂编程任务中的内部推理路径。这些工作在代码智能领域形成了从数据构建、模型训练到评估验证的完整闭环，为后续研究者利用该数据集进行跨模型、跨任务的代码生成对比实验提供了基准参照。

数据集最近研究

最新研究方向

该数据集聚焦于代码生成与理解的前沿探索，利用大语言模型（如Qwen3-8B）在自噬机制等生物信息学领域的迁移学习潜力。当前研究方向强调通过精细调参（学习率0.0001、温度系数1.25、Top-K递进策略）优化模型在142个任务上的代码补全与测试验证能力，呼应了AI for Science浪潮中利用轻量级微调提升领域专属代码生成准确性的热点。其影响在于为生物计算与软件工程交叉研究提供了可复现的基准，推动了可信赖AI在自动化实验设计中的落地应用。