EpiCoder-func-380k 是由 Microsoft 于 2025 年发布的一个专注于大语言模型代码生成能力微调的数据集，相关论文成果为「EpiCoder: Encompassing Diversity and Complexity in Code Generation」，旨在解决代码生成任务中指令多样性和复杂性的挑战。

该数据集包含 38 万条函数级别的指令-输出配对实例，专门用于训练大型语言模型根据详细的文本指令生成 Python 代码。 数据集通过合成方法构建，指令和代码均由大语言模型生成并在 Docker 环境中验证正确性，覆盖了包括指令级并行优化在内的多种编程场景，适用于提升模型在特定代码任务上的表现。

数据集组成

数据集主要由以下两个字段组成，每条数据代表一个完整的编程任务实例：

• instruction：字符串类型，包含详细的编程任务描述，规定了代码的功能、约束条件及优化要求。
• output：字符串类型，包含满足上述指令的 Python 代码实现。

所有数据均为专家生成的指令与模型合成的代码配对，不包含额外的元数据或注释字段。

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}, 
}