stefanocarrera/autophagycode_D_he_train-mercury_Qwen3-4B_strategy_trust_t1.25_g8_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: 2935043 num_examples: 164 download_size: 802646 dataset_size: 2935043 configs: - config_name: default data_files: - split: train path: data/train-* ---

搜集汇总

数据集介绍

构建方式

该数据集源自增强型代码生成任务，其构建融合了“自噬循环”理念与自我优化机制。具体而言，以Qwen3-4B模型为基底，采用信任策略（trust strategy）于温度系数1.25及8代生成（g8）条件下，迭代生成代码补全（completion）与测试用例（test）。数据经top_k_progression字段记录逐步优化轨迹，最终筛选出164条高质量训练样本，形成轻量级但高度精炼的代码微调数据集。

使用方法

数据集以HuggingFace标准格式存储，仅包含训练集（train split），共164个样本。使用时可通过datasets库加载，并直接访问prompt与completion字段进行监督微调。top_k_progression和test字段可分别用于分析优化过程与验证代码正确性。建议将任务作为文本到代码的生成任务处理，或结合top_k_progression构建多步推理训练范式，以最大化数据集的自我演进学习价值。

背景与挑战

背景概述

该数据集由自噬编码（AutophagyCode）研究团队构建，基于Qwen3-4B模型对汞（Mercury）任务的策略性信任微调（trust strategy）而成，创建于近期大语言模型安全性研究的前沿时期。核心研究问题在于探索如何通过高温（t=1.25）及多代推理（g=8）的微调策略，提升模型在代码生成任务中的可靠性与信任度。数据集包含164个训练样本，每个样本涵盖任务标识（task_id）、入口点、提示、补全、前k进展及测试字段，专注于代码补全与验证场景。该工作对AI安全与鲁棒性领域具有潜在影响力。

当前挑战

该数据集面临的挑战包括：领域层面，需要解决大语言模型在代码生成中容易产生不可信或错误输出的问题，尤其是在高熵解码策略下模型可能偏离预期逻辑；构建过程中，受限于仅有164个训练样本的规模，模型难以学习充分泛化的信任模式，同时需要设计有效的多轮推理（g=8）与温度控制参数（t=1.25）来平衡探索与稳定。此外，策略性信任微调本身缺乏成熟的评估基准，增加了验证其有效性的难度。

常用场景

经典使用场景

在代码生成与程序合成的研究领域中，autophagycode_D_he_train-mercury_Qwen3-4B_strategy_trust_t1.25_g8_run2 数据集以其精细化的任务划分和高质量的完成示例，成为训练和评估代码大语言模型（Code LLMs）的经典基准。该数据集包含164个训练样本，每个样本由任务标识、编程入口点、提示指令、完整代码补全、逐步推理过程及测试用例构成，特别适用于研究模型在复杂编程任务上的指令遵循能力与代码生成准确性。研究者通常利用该数据集对模型进行微调，检验其在自动构建可执行函数、理解多步逻辑链以及通过测试验证正确性等方面的表现。

解决学术问题

该数据集的核心贡献在于解决了代码智能领域长期存在的两个关键学术问题：一是如何系统性地评估大语言模型在遵循自然语言编程指令时的鲁棒性与可信赖度，二是如何通过逐步推理（top_k_progression）揭示模型内部决策过程，从而缓解代码生成中的‘黑箱’困境。通过引入信任策略与温度系数（t1.25）等元参数控制，该数据集为研究模型在不确定性条件下生成一致且正确代码的行为提供了可复现的实验载体。其意义在于推动了从简单语法匹配到语义理解与调试推理的范式转变，并为后续构建更透明的AI编程助手奠定了方法论基础。

实际应用

在实际应用中，基于该数据集微调的模型可直接服务于自动化软件工程中的多个环节，例如从自然语言需求描述到可部署代码片段的端到端转换，显著提升开发效率。它特别适用于智能集成开发环境（IDE）中的代码补全、API使用建议及单元测试生成等功能。此外，该数据集所强调的信任策略与逐步推理能力，使得生成的代码不仅语法正确，更具备逻辑可解释性，这对于金融、医疗等对代码安全性要求极高的行业至关重要，可有效降低因模型误判导致的部署风险。

数据集最近研究

最新研究方向

该数据集聚焦于代码生成任务中的自我纠错与信任校准机制，通过记录模型在生成过程中对候选项的渐进式置信度变化（top_k_progression），为研究大语言模型在编程场景下的不确定性感知与迭代优化提供了精细化的行为轨迹数据。当前前沿方向正从静态代码合成转向动态推理链路建模，该数据集特别契合这一趋势——其164条精标注样本虽规模精简，但结构化地捕捉了模型从初始提示到最终补全的置信度演进路径，为探索“自我反思式编程”（self-reflective coding）中的信任阈值调节、错误检测与回溯修正策略奠定了实证基础。结合近期代码大模型在复杂工程任务中暴露出的幻觉与过拟合问题，该数据集为量化模型在局部搜索空间中的探索-利用平衡、以及设计多步推理时的自适应缓存机制提供了关键测试床，对推动代码生成从单次预测向可解释的因果推理范式跃迁具有重要参照价值。