К содержимому

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")