EpiCoder-func-380k هو مجموعة بيانات نشرتها Microsoft في عام 2025، تركز على تحسين قدرة توليد الكود في نماذج اللغة الكبيرة. تستند المجموعة إلى النتائج البحثية المنشورة في «EpiCoder: Encompassing Diversity and Complexity in Code Generation» وتهدف إلى معالجة تحديات تنوع وتعقيد التعليمات في مهام توليد الكود.

تحتوي مجموعة البيانات على 380,000 زوج من التعليمات والمخرجات على مستوى الدوال، وهي مصممة خصيصاً لتدريب نماذج اللغة الكبيرة على توليد كود Python بناءً على تعليمات نصية مفصلة.

تم بناء مجموعة البيانات باستخدام طرق تركيبية، حيث تم توليد كل من التعليمات والأكواد بواسطة نماذج اللغة الكبيرة والتحقق من صحتها في بيئات Docker. تغطي المجموعة سيناريوهات برمجة متعددة، بما في ذلك تحسينات التوازي على مستوى التعليمات، مما يجعلها مناسبة لتحسين أداء النماذج في مهام كودية محددة.

تكوين مجموعة البيانات

تتكون مجموعة البيانات بشكل أساسي من الحقلين التاليين، حيث يمثل كل سجل مثالا كاملا لمهمة برمجة:

• instruction: نوع سلسلة نصية، يحتوي على وصف مفصل لمهمة البرمجة، ويحدد وظائف الكود والقيود ومتطلبات التحسين.
• output: نوع سلسلة نصية، يحتوي على تنفيذ كود Python يلبي التعليمات المذكورة أعلاه.

جميع البيانات عبارة عن أزواج من التعليمات المولدة من قبل خبراء والأكواد المركبة بواسطة النماذج، ولا تحتوي على حقول بيانات وصفية إضافية أو حقول تعليقات.

Citation

@misc{wang2025epicoderencompassingdiversitycomplexity,
      title={EpiCoder: Encompassing Diversity and Complexity in Code Generation}, 
      author={Yaoxiang Wang and Haoling Li and Xin Zhang and Jie Wu and Xiao Liu and Wenxiang Hu and Zhongxin Guo and Yangyu Huang and Ying Xin and Yujiu Yang and Jinsong Su and Qi Chen and Scarlett Li},
      year={2025},
      eprint={2501.04694},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2501.04694}, 
}