EpiCoder-func-380k est un ensemble de données publié par Microsoft en 2025, axé sur le réglage fin des capacités de génération de code des grands modèles de langage. Le résultat de recherche associé est « EpiCoder: Encompassing Diversity and Complexity in Code Generation », visant à relever les défis de la diversité et de la complexité des instructions dans les tâches de génération de code.

Cet ensemble de données contient 380 000 paires d'instructions-sorties au niveau fonctionnel, spécialement conçues pour entraîner les grands modèles de langage à générer du code Python selon des instructions textuelles détaillées. L'ensemble de données est construit par une méthode synthétique, où les instructions et le code sont générés par des grands modèles de langage et vérifiés dans un environnement Docker pour leur exactitude, couvrant divers scénarios de programmation, y compris l'optimisation parallèle au niveau des instructions, et est adapté pour améliorer les performances des modèles sur des tâches de code spécifiques.

Composition de l'ensemble de données

L'ensemble de données se compose principalement des deux champs suivants, chaque donnée représentant une instance complète de tâche de programmation :

• instruction : type chaîne de caractères, contenant une description détaillée de la tâche de programmation, spécifiant la fonctionnalité, les contraintes et les exigences d'optimisation du code.
• output : type chaîne de caractères, contenant l'implémentation du code Python satisfaisant les instructions ci-dessus.

Toutes les données sont des paires d'instructions générées par des experts et de code synthétisé par des modèles, sans champs supplémentaires de métadonnées ou de commentaires.

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}, 
}