Датасет · likaixin
114 тысяч примеров для обучения ИИ редактированию кода
likaixin/InstructCoder
Англоязычный датасет из троек «инструкция — исходный код — правка» для адаптации языковых моделей к изменению кода.
Что внутри
Внутри собрано ровно 114 239 текстовых примеров, сгенерированных с помощью ChatGPT под различные сценарии редактирования программного кода. Каждый элемент представляет собой тройку из инструкции на английском языке, входного фрагмента кода и итогового исправленного варианта. Авторы отмечают, что дообучение LLaMA-33B на этих данных позволяет ей сравняться с более сильными моделями в задачах правки кода.
Что можно сделать
- SFT-дообучение языковых моделей и LoRA для рефакторинга и правки кода
- Создание ИИ-ассистентов для IDE, умеющих вносить точечные изменения
- Тестирование способности LLM следовать инструкциям по модификации программ
- Задачи
- Генерация текста
- Языки
- Английский
- Размер
- 100K–1M записей
- Скачиваний за месяц
- 20,6 тыс.
- Лайков
- 18
Модели, обученные на нём
Как загрузить
from datasets import load_dataset
ds = load_dataset("likaixin/InstructCoder")