Датасет · code-search-net
2 млн пар «комментарий — код»
code-search-net/code_search_net
Пары документации и кода из GitHub для поиска кода по естественному языку и обучения моделей кода.
Что внутри
CodeSearchNet corpus содержит около 2 млн пар (комментарий, код) из открытых библиотек на GitHub. В нём есть код и документация на нескольких языках программирования. Набор собран для CodeSearchNet challenge — задачи поиска кода по описанию на естественном языке.
Что можно сделать
- Обучить и оценить retrieval кода по описанию
- Дообучить модель генерации кода
- Тренировать fill-mask на коде
- Задачи
- Генерация текста, Заполнение пропусков
- Языки
- Код
- Размер
- 1M–10M записей
- Скачиваний за месяц
- 31,1 тыс.
- Лайков
- 353
Модели, обученные на нём
- mradermacher/Bor-1B-v1-i1-GGUF 540
- mradermacher/Bor-1B-i1-GGUF 494
- Shuu12121/CodeSearch-ModernBERT-Crow-PlusПохожесть текстов 431
- ksg91/toam-100m-v0.1Генерация текста 341
- mradermacher/Bor-1B-v1-GGUF 245
- mradermacher/Bor-1B-GGUF 232
- jaweed123/Qwen3.5-0.8B-Python-SFTГенерация текста 165
- redptam/tyrian-500mГенерация текста 93
Как загрузить
from datasets import load_dataset
ds = load_dataset("code-search-net/code_search_net")