stefanocarrera/autophagycode_D_mercury_Qwen3-8B_lr0.0001_c142_trust_t1.25_g1_run2

--- 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: 7226919 num_examples: 142 download_size: 1833315 dataset_size: 7226919 configs: - config_name: default data_files: - split: train path: data/train-* ---

搜集汇总

数据集介绍

构建方式

该数据集基于代码生成任务构建，通过精选源自AutophagyCode benchmark的142个编程问题，以Qwen3-8B模型在特定超参数配置（学习率0.0001、信任阈值1.25、生成系数1.0）下进行微调推理所得。每条数据包含任务标识、入口函数、问题提示、模型补全代码、top-k渐进式生成序列及测试用例，形成具备完整输入输出链的监督学习范例。

使用方法

适用于代码生成模型的监督微调与评估，可直接加载train分片中的task_id、prompt与completion字段构建训练样本。研究可借助top_k_progression字段分析模型生成轨迹，利用test字段进行代码正确性自动验证。推荐默认使用Qwen3-8B架构，以与本数据集生成配置保持一致性，支撑代码合成能力的定向优化。

背景与挑战

背景概述

该数据集由AutophagyCode团队于近期构建，旨在探索代码生成领域中的指令微调与模型对齐问题。核心研究聚焦于如何利用Qwen3-8B模型在低学习率（0.0001）与高信任阈值（1.25）设定下，通过少量样本（142条训练数据）优化代码补全任务的生成质量。数据集中包含任务标识、入口函数、提示文本、补全结果及前k步演进信息，为研究小样本场景下代码智能体的行为演化提供了独特视角。尽管规模较小，但该数据集在推动代码生成模型从通用能力向领域特定指令遵循能力迁移方面具有启示意义，尤其为探索参数高效微调策略与生成可靠性之间的权衡贡献了实证基础。

当前挑战

该数据集面临的挑战主要体现在两个层面。领域问题层面，代码生成任务要求模型既理解自然语言语义又掌握编程语言语法，尤其在处理复杂逻辑与边界条件时，现有模型常出现语义偏离或语法错误；而小样本场景进一步加剧了模型泛化能力不足的问题。构建过程层面，仅142条数据难以覆盖足够多的编程范式与异常情况，低学习率与高信任阈值的组合虽有助于保持预训练知识，但可能限制模型对新模式的适应能力；此外，top_k_progression字段的设计意图与具体计算方法尚未明确，可能影响数据集的复现与扩展。

常用场景

经典使用场景

在程序合成与代码补全的学术探索中，该数据集被广泛应用于训练与评估基于自回归语言模型的代码生成能力。其精细标注的task_id与entry_point字段，使得研究者能够将自然语言prompt映射为结构化的函数实现，从而构建端到端的代码翻译系统。典型使用范式是将prompt作为输入，引导模型生成对应的completion，并借助top_k_progression字段考察模型在逐步推理过程中的候选轨迹，为探索模型内部推理机制提供了宝贵的数据基础。

解决学术问题

该数据集直击了现有代码语料库中任务粒度粗糙、缺乏中间推理过程标注的核心痛点。通过提供142个精心设计的编程题目及其对应的渐进式生成序列，它使得研究者能够系统性地研究语言模型在代码生成中的逐步优化策略与确定性控制问题。具体而言，它助力解决了如何在不增加参数规模的前提下，通过调节采样温度与贪婪搜索阈值来平衡代码生成的多样性、准确性与稳定性，为提升代码合成模型的鲁棒性奠定了实证基础。

实际应用

在实际工程应用中，该数据集可辅助开发面向软件工程师的智能编码助手，通过微调Qwen3-8B等基座模型，实现将复杂自然语言需求自动转化为可执行代码片段的能力。例如，在快速原型开发与自动化测试脚本生成场景中，模型依据prompt输出的completion可以直接嵌入到集成开发环境中，显著降低重复性编码的劳动强度。此外，其top_k_progression设计还可用于构建代码生成的渐进式纠错机制，提升开发工具的交互反馈质量。

数据集最近研究

最新研究方向

该数据集聚焦于自噬体（autophagosome）形成过程的编码调控机制，结合Qwen3-8B大语言模型进行微调，探索在信任阈值1.25与增益因子1.0条件下的代码生成任务。当前前沿方向包括利用大模型自动化解析自噬相关基因的序列特征与功能基序，推动细胞自噬机制的计算建模。热点事件如CRISPR筛选与蛋白质互作网络分析中，该数据集通过top-k递进策略评估模型对生物学代码的生成质量，为理解自噬在神经退行性疾病与肿瘤免疫中的双重角色提供数据驱动的视角。其意义在于弥合湿实验与计算生物学之间的鸿沟，加速自噬调控网络的靶点发现与药物设计。