Magicoder-OSS-Instruct-75K — LLM 代码 Dataset

Uses real open-source code snippets as seeds to generate diverse coding problems and solutions with GPT-4. The OSS-Instruct method produces more realistic, grounded coding tasks than purely synthetic approaches. Magicoder-S-DS-6.7B trained on this data surpassed GPT-3.5-Turbo on HumanEval.

Dataset Details

Providerise-uiuc
Category代码
Size75k Rows
LicenseMIT
Downloads250k
TagsCode-Generation, GPT-4, OSS-Grounded, Python
 
from datasets import load_dataset
ds = load_dataset("ise-uiuc/Magicoder-OSS-Instruct-75K")

用这个数据集微调

使用 QLoRA（4-bit 基础模型 + LoRA 适配器）微调的预计显存需求（保守默认参数）：

7B QLoRA~6GB VRAM
13B QLoRA~10GB VRAM

检测你的 GPU 能否微调 →

相关数据集

常见问题

Magicoder-OSS-Instruct-75K 可以商用吗？
可以——Magicoder-OSS-Instruct-75K 采用 MIT 宽松许可证，允许商业使用，包括训练用于产品的模型。发布前请查看数据集卡片中的署名要求。
Magicoder-OSS-Instruct-75K 有多少数据？需要全部使用吗？
Magicoder-OSS-Instruct-75K 包含 75k Rows。通常不需要全部：风格和格式微调只需几百到几千条样本——先加载切片（如 split="train[:1000]"），质量到达瓶颈时再扩大规模。
Magicoder-OSS-Instruct-75K 最适合做什么？
Code instruction tuning grounded in real open-source snippets。它属于数据集中心的「代码」板块，那里有替代和互补的数据集。

← 全部数据集 | Fine-Tuning Guide