CodeFeedback-Filtered-Instruction — LLM Kod Dataset
74 tys. par instrukcji programistycznych w Pythonie, Javie, JavaScripcie i C++, ukierunkowanych na interaktywne generowanie kodu i debugowanie. Łączy dane z Magicoder, ShareGPT-Python oraz generacji własnej, tworząc różnorodny, wielojęzyczny zbiór czatów o kodzie. Użyty do trenowania 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:
OpenCodeReasoning — Fine-tuning coding models that show their reasoning before writing the solution
The Stack v2 — Pretraining code models across 600+ programming languages
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.