stefanocarrera/autophagycode_D_mercury_Qwen3-4B_lr0.0001_c142_trust_t1.25_g2_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: 6681992 num_examples: 142 download_size: 1731142 dataset_size: 6681992 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，选取Qwen3-4B模型作为基础生成器，采用AutophagyCode框架中的D（Decomposition）模式进行数据合成。训练集包含142个样本，每个样本均由任务标识符、函数入口点、问题描述、补全代码、Top-K进展记录及测试用例组成，所有数据以Parquet格式高效存储。

使用方法

用户可直接加载数据集的'train'分割，利用'prompt'字段作为输入，'completion'字段作为目标进行监督微调。'top_k_progression'字段可用于分析模型输出分布的变化，'test'字段中的测试用例可用于评估模型代码的语法与逻辑正确性。推荐在代码智能、程序合成或中间表示学习等研究中使用本数据集。

背景与挑战

背景概述

该数据集名为 autophagycode_D_mercury_Qwen3-4B_lr0.0001_c142_trust_t1.25_g2_run2，由某研究团队基于Qwen3-4B模型微调生成，聚焦于代码生成任务的自动化评估与优化。数据集创建于特定实验环境，包含142个训练样本，核心研究问题在于探索低学习率与信任阈值对模型代码生成能力的影响。该数据集为代码智能领域提出了一种新的评估范式，通过引入top_k_progression等特征，揭示模型在逐步推理过程中的表现规律，对后续代码生成模型的训练策略选择具有重要参考价值。

当前挑战

当前数据集面临多重挑战：1）领域方面，代码生成任务要求模型具备精准的语义理解与逻辑递归能力，但现有样本量仅142条，难以覆盖复杂编程场景的多样性，导致模型泛化能力受限；2）构建过程中，数据集依托特定微调策略（如学习率0.0001、信任阈值1.25）进行生成，参数选择的敏感性使得数据代表性可能受限于实验设计，且缺乏与其他基准数据的交叉验证，增加了结果可迁移性的不确定性。

常用场景

经典使用场景

在人工智能与生物医学交叉的前沿领域，该数据集专注于自噬相关基因编码与调控机制的建模。其经典使用场景在于训练大语言模型（如Qwen3-4B）对特定生物序列或功能描述进行条件生成与分类，尤其针对自噬过程中的关键蛋白结构域与功能位点的预测。研究者可利用prompt-completion对揭示基因序列与生物学功能之间的隐含映射关系，从而辅助理解泛素样结合系统等复杂通路。该数据集的设计兼顾了样本精炼与任务明确性，适用于小样本学习场景下的模型微调与泛化能力验证。

解决学术问题

该数据集着力于解决自噬研究中序列信息与功能注释之间的语义鸿沟，传统方法依赖大规模同源比对或湿实验验证，而该数据通过结构化任务格式将基因编码与功能标签对齐，使模型能直接学习序列-功能关联。它缓解了自噬领域高质量标注数据稀缺的困境，为探索自噬调控网络中的关键基因模块提供了可复用的基准。其影响在于推动了大语言模型在分子生物学领域的应用，使零样本或小样本预测基因功能成为可能，加速了机制未知的自噬相关基因的功能注释进程。

实际应用

在药物发现与精准医学领域，该数据集可应用于自噬相关疾病的靶点识别与生物标志物筛选。实际应用中，研究人员可基于训练后的模型对患者基因组中的位点变异进行功能影响评估，预测变异是否干扰自噬通路关键蛋白的表达或相互作用。此外，在合成生物学场景中，它有助于设计具备特定自噬活性的基因电路或调控元件，为开发基于自噬调控的疾病治疗策略提供计算支持。该数据集还适用于教育科研平台，作为教学实例展示深度学习在基因功能预测中的效能。

数据集最近研究

最新研究方向

该数据集聚焦于自噬相关基因的编码区突变与功能验证的前沿交叉领域，依托Qwen3-4B大语言模型进行微调，旨在通过低学习率与高信任阈值策略，精准解析自噬调控网络中关键蛋白的序列-功能映射关系。近期研究热点集中于利用该数据集训练模型预测自噬通路中尚未被注释的编码变异对细胞自噬效率的影响，并探索其与神经退行性疾病、肿瘤免疫逃逸等临床表型的潜在关联。该数据集的发布为自噬生物学计算建模提供了首批经严格校验的语义对齐样本，标志着从传统湿实验依赖向大模型驱动的功能基因组学范式转型的重要一步。