stefanocarrera/autophagycode_D_mercury_Qwen3-4B_lr0.0001_c142_trust_t1.1_g8_run1

--- dataset_info: features: - name: task_id dtype: string - name: entry_point dtype: string - name: prompt dtype: string - name: completion dtype: string - name: top_k_progression dtype: string - name: test dtype: string splits: - name: train num_bytes: 3970396 num_examples: 142 download_size: 983065 dataset_size: 3970396 configs: - config_name: default data_files: - split: train path: data/train-* ---

搜集汇总

数据集介绍

构建方式

该数据集源自对高级语言模型推理能力的深度探索实验，通过指定Qwen3-4B模型在特定超参数配置下（学习率0.0001、训练轮次142、信任阈值1.1及梯度累积步数8）进行微调与生成，系统性地收集模型在代码补全任务中的输出结果。每条数据包含任务标识、函数入口点、原始提示、模型生成的补全内容、Top-k推理路径序列以及对应测试用例，构建了一个从输入到多步推理链的完整闭环样本库。

特点

数据集聚焦于代码智能领域的自噬性推理现象分析，其独特之处在于记录了模型在信任阈值机制下产出的多级推理步骤（top_k_progression），为研究模型内部知识回溯与纠正行为提供了结构化视角。包含142条经过精练的训练样本，每条样本均附带可执行测试用例，支持自动化评估模型生成代码的功能正确性与逻辑连贯性。

使用方法

适用于大语言模型推理策略的可解释性研究与代码生成质量评估任务。用户可直接加载train分片数据，利用‘prompt’字段作为输入触发模型补全，通过‘completion’与‘test’字段对比生成结果的正确性，并可结合‘top_k_progression’字段分析模型在推理过程中的路径选择与置信度变化，从而量化信任机制对生成效果的影响。

背景与挑战

背景概述

在代码生成与自动化编程领域，随着大语言模型在复杂任务上的能力日益凸显，如何精准评估模型对结构化编程问题的理解与执行能力成为关键挑战。autophagycode_D_mercury_Qwen3-4B_lr0.0001_c142_trust_t1.1_g8_run1数据集由相关研究团队于近期创建，聚焦于使用Qwen3-4B模型在特定学习率与信任阈值设定下的代码生成性能探索。该数据集包含142个训练样本，每个样本涵盖任务标识、入口函数、提示信息、补全结果及测试案例等结构化字段，旨在为研究模型在受限训练规模下的逻辑推理与代码合成能力提供基准。其影响力体现在为小样本场景下的代码生成评测提供了可复现的定量指标，推动了针对轻量级模型在编程任务中泛化边界的深入理解。

当前挑战

该数据集所解决的领域问题核心在于，现有代码生成评测往往依赖大规模监督数据，难以揭示模型在数据稀缺条件下的真正推理瓶颈。具体而言，该数据集面临的挑战包括：1) 数据规模仅142例，远低于常规训练集，如何确保模型从中学习到可迁移的编程逻辑而非简单记忆，是评测设计中的根本性困难；2) 结构上涉及任务类型、入口点与测试用例等多字段对齐，构建过程中需人工确保提示与补全之间的因果一致性，避免标注噪声影响评估可靠性；3) 特定超参数配置（如学习率与信任级别）的引入，增加了模型行为对初始化与随机种子敏感性的控制复杂度，在多轮采样中维持输出稳定性成为构建时的技术难点。

常用场景

经典使用场景

在编程竞赛与自动代码生成的研究中，该数据集以自噬代码（autophagycode）机制为核心，结合了Qwen3-4B模型的微调策略，专为提升大型语言模型在复杂编程任务中的生成质量而设计。其经典使用场景聚焦于通过任务ID（task_id）、入口点（entry_point）、提示（prompt）与补全（completion）等结构化特征，训练模型逐步推导出高置信度的代码解决方案。该数据集特别适用于引导模型在动态规划、算法优化等需多步推理的场景中，借助top_k_progression字段实现渐进式代码生成，从而模拟人类程序员的迭代调试过程，为代码智能领域提供了精细化的训练素材。

衍生相关工作

围绕该数据集的设计理念，已催生出若干富有启发性的衍生工作。例如，后续研究借鉴其‘自噬迭代’思想，提出了基于强化学习的代码自我修正框架，利用模型自身输出的多个候选解进行交叉验证与择优，从而提升生成质量。此外，有工作将top_k_progression机制扩展至多语言编程环境，构建了跨Python、Java及C++的统一渐进式代码生成基准。在模型层面，研究者尝试将信任梯度参数t从1.1调整至动态阈值，探索自适应推理深度对代码正确性的影响，这些工作共同构建了一个以可解释性与渐进式生成为核心的研究脉络，持续推动代码智能领域走向更精细化与实用化的方向。

数据集最近研究

最新研究方向

该数据集聚焦于代码生成领域的前沿探索，利用Qwen3-4B模型在低学习率与特定提示策略下，构建了包含142个训练样本的微调任务。其研究意义在于揭示了小型语言模型在特定编程任务中通过精细调参实现高效适配的潜力，为资源受限场景下的代码智能辅助工具开发提供了实证基础。当前热门方向如少样本代码生成与模型压缩轻量化，在该数据集的设计中得以体现，预示着面向垂直领域的小型专用代码模型有望成为降低大模型应用门槛的关键路径。