autophagycode_D_metrics_he_Qwen3-0.6B_lr0.0001_scm_g9

该数据集包含164个编程任务相关的结构化记录，存储于单一训练集分割中。每个样本包含16个特征字段，主要涵盖：1) 任务标识符（task_id）和入口点（entry_point）；2) 程序执行状态（is_executable, is_correct）及测试结果（tests_passed, tests_failed, test_run_time_ms）；3) 代码复杂度指标（halstead_vocabulary等5个Halstead度量值和maintainability_index）；4) 函数定义数量（n_func_defined）和入口点重复标记（entry_point_repeated）。数据集未提供任务背景说明，但从特征设计推断适用于代码正确性验证、软件质量评估等编程相关研究。This dataset contains 164 structured records related to programming tasks, which resides in a single training set split. Each sample includes 16 feature fields, primarily covering: 1) Task identifier (task_id) and entry point (entry_point); 2) Program execution status (is_executable, is_correct) and test results (tests_passed, tests_failed, test_run_time_ms); 3) Code complexity metrics: 5 Halstead metrics including halstead_vocabulary, as well as maintainability_index; 4) Number of function definitions (n_func_defined) and entry point repetition flag (entry_point_repeated). No task background descriptions are provided in this dataset; however, based on the feature design, it can be inferred that the dataset is suitable for programming-related research such as code correctness verification and software quality evaluation.

原始信息汇总

数据集概述

基本信息

• 数据集名称: autophagycode_D_metrics_he_Qwen3-0.6B_lr0.0001_scm_g9
• 来源地址: https://huggingface.co/datasets/stefanocarrera/autophagycode_D_metrics_he_Qwen3-0.6B_lr0.0001_scm_g9
• 下载大小: 16677 字节
• 数据集大小: 19656 字节

数据内容与结构

• 数据条目数量: 164 个示例
• 数据划分: 仅包含一个“train”划分
• 数据格式: 包含多个特征字段的结构化数据

特征字段说明

• task_id: 任务标识符（字符串类型）
• entry_point: 入口点（字符串类型）
• is_executable: 是否可执行（布尔类型）
• is_correct: 是否正确（布尔类型）
• tests_passed: 通过的测试数量（整数类型）
• tests_failed: 失败的测试数量（整数类型）
• test_run_time_ms: 测试运行时间（毫秒，当前为空值类型）
• error_type: 错误类型（字符串类型）
• halstead_vocabulary: Halstead 词汇量（整数类型）
• halstead_length: Halstead 长度（整数类型）
• halstead_volume: Halstead 体积（浮点数类型）
• halstead_difficulty: Halstead 难度（浮点数类型）
• halstead_effort: Halstead 工作量（浮点数类型）
• maintainability_index: 可维护性指数（浮点数类型）
• n_func_defined: 定义的函数数量（整数类型）
• entry_point_repeated: 入口点是否重复（布尔类型）

配置信息

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

搜集汇总

数据集介绍

构建方式

在代码生成与评估领域，autophagycode_D_metrics_he_Qwen3-0.6B_lr0.0001_scm_g9数据集通过系统化的方法构建而成。该数据集聚焦于编程任务的自动化评估，其构建过程涉及从特定任务集合中提取代码样本，并利用Qwen3-0.6B模型在给定学习率与配置下生成对应的代码解决方案。随后，每个生成的代码片段均经过严格的执行测试与静态分析，以收集包括可执行性、正确性、测试通过率以及多项Halstead复杂度指标在内的详细元数据，从而形成结构化的评估记录。

特点

该数据集的核心特点体现在其多维度的代码质量评估体系上。它不仅记录了代码是否可执行与正确的基本信息，还整合了丰富的软件工程度量指标，如Halstead复杂度词汇量、长度、体积、难度与努力度，以及可维护性指数和函数定义数量等。这些特征共同构成了对生成代码的结构复杂性、可读性与维护潜力的量化描述。数据集规模适中，包含164个训练样本，每个样本均关联唯一的任务标识与入口点，确保了评估的针对性与可追溯性。

使用方法

对于研究人员与开发者而言，该数据集主要用于训练与评估代码生成模型或静态分析工具。用户可通过加载数据集的训练分割，访问每个任务对应的代码生成结果及其全面的评估指标。这些数据可用于分析模型在不同编程任务上的性能表现，探究代码复杂度与正确性之间的关联，或作为基准测试集来验证新提出的代码质量评估算法。数据集的标准格式便于直接集成到机器学习流水线中，进行特征提取与模型训练。

背景与挑战

背景概述

在人工智能与软件工程交叉领域，代码生成与评估技术正经历深刻变革。数据集'autophagycode_D_metrics_he_Qwen3-0.6B_lr0.0001_scm_g9'由相关研究团队于近期构建，旨在系统量化与分析由大型语言模型生成的代码质量。该数据集聚焦于自动化评估生成代码的功能正确性、结构复杂度及可维护性等核心指标，通过整合Halstead复杂度度量与可维护性指数等经典软件度量学方法，为模型生成的代码提供多维度的客观评价基准。其出现响应了当前代码生成模型从单纯功能实现向高质量、可维护性代码演进的研究需求，对推动智能编程辅助工具的实用化与标准化具有重要参考价值。

当前挑战

该数据集致力于解决代码生成领域中对生成代码进行自动化、精细化质量评估的挑战。具体而言，其核心挑战在于如何超越简单的功能正确性判断，构建一套能够全面反映代码结构复杂性、可理解性与可维护性的综合评估体系。在构建过程中，研究团队面临多重困难：一是如何设计并实施可靠的自动化测试框架，以准确判定生成代码在各种边界条件下的执行正确性；二是如何有效整合多样化的软件度量学指标，如Halstead度量与可维护性指数，并确保这些指标在评估生成代码时的有效性与一致性；三是如何处理生成代码中可能出现的语法错误、运行时异常等复杂情况，并对其进行标准化分类与记录，从而保证评估结果的稳健性与可比性。

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_he_Qwen3-0.6B_lr0.0001_scm_g9数据集为研究者提供了一个系统性的基准，用于分析代码的可执行性、正确性与维护性指标。该数据集通过整合Halstead复杂度度量、可维护性指数及测试通过率等特征，经典应用于自动化代码质量评估模型的训练与验证，尤其适用于探索代码生成、缺陷检测及重构优化等任务。其结构化特征支持对代码片段进行多维度的量化分析，为代码智能处理技术提供了丰富的数据支撑。

实际应用

在实际软件开发流程中，该数据集可被集成至持续集成与部署系统，用于实时监控代码库的质量变化。开发团队能够依据其度量指标，识别高复杂度或低可维护性的代码模块，从而优先进行重构或测试增强。此外，它还能辅助代码审查工具提供数据驱动的建议，提升团队协作效率与软件产品的长期稳定性，尤其在大型开源项目与企业级应用中具有显著价值。

衍生相关工作

基于该数据集的度量框架，衍生了一系列经典研究工作，包括代码缺陷预测模型、自动化重构建议系统以及代码复杂度与可维护性的关联性分析。这些工作进一步扩展了数据集中Halstead指标与可维护性指数的应用范围，推动了机器学习在代码质量评估中的深度融合，并为后续更细粒度的代码属性数据集构建提供了方法论参考。