BEE-spoke-data/TACO-hf

该数据集是一个编程问题数据集，包含多个特征，如问题、解决方案、起始代码、输入输出、难度等。数据集分为训练集和测试集，分别包含25443和1000个样本。数据集的来源是BAAI/TACO，并且以HuggingFace数据集格式重新托管以便于使用。

原始信息汇总

数据集概述

数据集信息

特征

• question: 字符串类型
• solutions: 字符串类型
• starter_code: 字符串类型
• input_output: 字符串类型
• difficulty: 字符串类型
• raw_tags: 字符串类型
• name: 字符串类型
• source: 字符串类型
• tags: 字符串类型
• skill_types: 字符串类型
• url: 字符串类型
• Expected Auxiliary Space: 字符串类型
• time_limit: 字符串类型
• date: 字符串类型
• picture_num: 字符串类型
• memory_limit: 字符串类型
• Expected Time Complexity: 字符串类型

数据分割

• train:
  • 字节数: 4239311973
  • 样本数: 25443
• test:
  • 字节数: 481480755
  • 样本数: 1000

数据集大小

• 下载大小: 2419845110 字节
• 数据集大小: 4720792728 字节

配置

• default:
  • 数据文件:
    • train: data/train-*
    • test: data/test-*

源数据集

• BAAI/TACO

许可证

• apache-2.0

任务类别

• 文本生成
• 特征提取

语言

• 英语

标签

• BAAI/TACO

大小类别

• 10K<n<100K

搜集汇总

数据集介绍

构建方式

在算法与编程竞赛领域，高质量数据集是推动模型能力提升的关键基石。BEE-spoke-data/TACO-hf数据集是对BAAI/TACO数据集的高效重构与重新托管，旨在简化研究者的使用流程。其构建方式以原始数据集为基础，采用HuggingFace Datasets库的标准格式进行保存，将数据划分为训练集与测试集，分别包含25443条和1000条样本。每一数据样本均保留了丰富的字段信息，如问题描述、解决方案、起始代码、输入输出样例、难度等级、标签、技能类型、时间与空间复杂度约束等，确保数据结构的完整性与科学性。

特点

该数据集的核心特色在于其兼具广度与深度的数据结构设计。它不仅涵盖了算法竞赛中常见的多种难度层级与技能类型标签，还提供了预期时间复杂度和辅助空间复杂度等元信息，为模型训练提供了多维度的评估依据。此外，数据集中包含的起始代码字段与输入输出样例，使得该数据集特别适用于代码生成与程序合成任务的微调与评估。整体上，TACO-hf数据集以标准化、易用性为导向，大幅降低了研究者从原始数据源获取和处理数据的门槛。

使用方法

使用该数据集时，研究者可直接通过HuggingFace Datasets库进行加载，无需繁琐的格式转换。典型调用方式为`load_dataset('BEE-spoke-data/TACO-hf')`，即可获取包含训练集和测试集的DatasetDict对象。利用其丰富的字段，可开展多种下游任务：如基于`question`与`solutions`字段进行文本到代码的生成训练，或利用`difficulty`与`skill_types`进行难度感知的模型调优。同时，`input_output`字段为模型提供了输入输出对，便于进行监督学习或测试时评估。建议结合原始TACO数据集文档以深入理解各字段语义，实现更精准的数据应用。

背景与挑战

背景概述

在人工智能与算法竞赛领域，高质量编程题数据集的匮乏长期制约着代码生成与推理能力的发展。BEE-spoke-data/TACO-hf数据集由BEE-spoke团队于近期创建，基于BAAI/TACO原始数据重新托管于HuggingFace平台，旨在为研究者提供更便捷的编程问题求解资源。该数据集包含25443条训练样本与1000条测试样本，每项样本涵盖问题描述、解决方案、复杂度要求、时间与内存限制等多维特征，聚焦于算法设计与代码实现的综合评估。其核心研究问题在于推动大语言模型在算法推理、代码生成与性能约束理解方面的进展，为自动化编程助手与智能教育系统提供基准测试平台。自发布以来，该数据集因其结构化设计与实用性，迅速成为代码智能领域的重要参考资源。

当前挑战

当前TACO-hf数据集面临多重挑战。在领域问题层面，代码生成任务需同时解决语义理解与语法正确的双重难题，而现有模型在应对复杂算法问题（如动态规划、图论）时仍存在逻辑漏洞，且对时间与空间复杂度的敏感度不足，导致生成代码常偏离预期性能。在构建过程中，原始数据源自多源编程竞赛平台，不同来源的问题格式、标签体系与难度标注标准不一，整合时需人工校准以避免偏差；此外，部分问题依赖图片描述（picture_num字段），而图像到文本的转换误差可能引入噪声。数据集的规模虽已初具，但覆盖的算法类型与技能标签（skill_types）尚不均衡，限制了模型泛化能力的全面评估。

常用场景

经典使用场景

TACO-hf数据集作为BAAI/TACO的便捷重构版本，在自然语言处理与程序合成交叉领域扮演着关键角色。该数据集汇聚了超过2.5万道涵盖多种难度的编程题目，每道题目均包含自然语言描述的问题、对应的解法代码、输入输出示例以及时间与空间复杂度约束。研究者可借助这一资源，构建和评估能够从文本描述自动生成代码的模型，亦可用于训练具备代码理解与推理能力的语言模型。其丰富的元数据字段，如技能类型与标签体系，为细粒度的代码智能分析提供了坚实的语料基础。

解决学术问题

该数据集直面代码生成与程序理解领域的两大核心挑战：如何从非结构化的自然语言精准推导出结构化的程序逻辑，以及如何确保生成代码在复杂约束下具备正确性与高效性。通过提供标准化的训练与测试划分（25443条训练样本与1000条测试样本），TACO-hf使研究者能够系统性地评估大语言模型在编程任务上的泛化能力。它有效推动了从简单代码补全到复杂算法设计等学术问题的量化研究，并为探索代码的时空复杂度预测、多语言代码生成等前沿方向提供了可复现的基准。

衍生相关工作

TACO-hf数据集衍生了多项具有影响力的研究工作。原始BAAI/TACO数据集已被广泛应用于代码预训练模型的对比评估中，如CodeBERT、GraphCodeBERT以及GPT系列模型在代码生成任务上的性能测试。后续研究者基于其难度标签与技能类型划分，开发了面向特定算法领域的微调策略，例如针对动态规划或图论题目的专项模型。此外，该数据集的输入输出格式还启发了多轮对话式代码生成的研究，推动了从单次生成到交互式调试的范式转变，为代码智能领域的持续创新奠定了重要基石。