CodeFeedback-Filtered-Instruction — LLM Kod Dataset
74k coding instruction pairs across Python, Java, JavaScript, and C++ with a focus on interactive code generation and debugging. Combines data from Magicoder, ShareGPT-Python, and original generation to create a diverse multi-language coding chat dataset. Used to train OpenCodeInterpreter.
Dataset Details
| Provider | m-a-p |
| Category | Kod |
| Size | 74k Rows |
| License | Apache 2.0 |
| Downloads | 180k |
| Tags | Multi-Language, Python, Java, Code-Chat |
from datasets import load_dataset
ds = load_dataset("m-a-p/CodeFeedback-Filtered-Instruction")
Fine-tuning z tym zbiorem danych
Szacowany VRAM do fine-tuningu z QLoRA (model bazowy 4-bit + adaptery LoRA), przy zachowawczych ustawieniach:
| 7B QLoRA | ~6GB VRAM |
| 13B QLoRA | ~10GB VRAM |
Sprawdź, czy Twoje GPU to udźwignie →
Powiązane zbiory danych
Najczęstsze pytania
Czy mogę użyć CodeFeedback-Filtered-Instruction komercyjnie?
Tak — CodeFeedback-Filtered-Instruction jest udostępniony na licencji Apache 2.0, liberalnej licencji pozwalającej na użycie komercyjne, w tym trenowanie modeli wdrażanych w produkcie. Przed publikacją sprawdź wymogi atrybucji na karcie zbioru.
Ile danych zawiera CodeFeedback-Filtered-Instruction i czy potrzebuję wszystkich?
CodeFeedback-Filtered-Instruction zawiera 74k Rows. Rzadko potrzebujesz całości: do fine-tuningu stylu i formatu wystarcza kilkaset–kilka tysięcy przykładów — załaduj wycinek (np. split="train[:1000]") i zwiększaj skalę tylko, gdy jakość przestaje rosnąć.
Do czego CodeFeedback-Filtered-Instruction nadaje się najlepiej?
Training coding models that respond to execution feedback. Należy do sekcji „Kod" naszego centrum zbiorów danych, gdzie znajdziesz alternatywy i zbiory komplementarne.
← Wszystkie zbiory danych | Fine-Tuning Guide