OpenCodeInstruct هو مجموعة بيانات كبيرة لتدريب نماذج لغوية كبيرة في مجال البرمجة عبر التعليمات (Instruction Tuning)، تتكون من 5 ملايين عينة متنوعة، وأصدرتها NVIDIA في عام 2025. يستند العمل البحثي المرتبط بها إلى «OpenCodeInstruct: A Large-scale Instruction Tuning Dataset for Code LLMs» ويهدف إلى توفير بيانات عالية الجودة للتدريب الدقيق بالإشراف (SFT) لتحسين النماذج اللغوية الكبيرة مفتوحة المصدر في مجال البرمجة.

تم تصميم هذه المجموعة خصيصًا لتدريب النماذج اللغوية المتخصصة في توليد البرمجة، وتستخدم طرقًا مختلطة لجمع البيانات وتوسيمها تجمع بين الأساليب الآلية والتخليقية.

تكوين مجموعة البيانات

تتكون المجموعة بشكل أساسي من مجموعة التدريب (train)، التي تحتوي على 5 ملايين عينة، وتتضمن كل عينة الحقول التالية:

• id: المعرف الفريد لكل سؤال (سلسلة نصية)
• input: سؤال البرمجة المُدخل (سلسلة نصية)
• output: استجابة النموذج اللغوي الكبير (سلسلة نصية)
• domain: نوع المجال، إما "generic" (عام) أو "algorithmic" (خوارزمي) (سلسلة نصية)
• generation_algorithm: خوارزمية التوليد، إما "self-instruct" أو "evol-instruct" (سلسلة نصية)
• llm_judgement: تمثيل نصي (سلسلة نصية) لقاموس JSON يحتوي على تقييم النموذج اللغوي الكبير للاستجابات بناءً على معايير متعددة
• unit_tests: تمثيل نصي (سلسلة نصية) لقائمة عبارات التأكد (assertions)
• tests_execution_status: قائمة سلاسل نصية تشير إلى حالة تنفيذ الاختبارات بـ "pass" (نجاح) أو "fail" (فشل)
• average_test_score: نسبة حالات الاختبار التي نجحت (رقم عشري)

الاستشهاد

@article{ahmad2025opencodeinstruct,
      title={OpenCodeInstruct: A Large-scale Instruction Tuning Dataset for Code LLMs}, 
      author={Wasi Uddin Ahmad and Aleksander Ficek and Mehrzad Samadi and Jocelyn Huang and Vahid Noroozi and Somshubra Majumdar and Boris Ginsburg},
      year={2025},
      eprint={2504.04030},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2504.04030}, 
}