代码 · ise-uiuc

Magicoder-OSS-Instruct-75K

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.

在 Hugging Face 查看 →阅读论文

加载

from datasets import load_dataset
ds = load_dataset("ise-uiuc/Magicoder-OSS-Instruct-75K")

预览示例数据

{
  "problem": "Given a list of integers, write a function to find all pairs that sum to a target value. Return pairs as tuples sorted by first element.",
  "solution": "def find_pairs(nums: list[int], target: int) -> list[tuple[int, int]]:\n    seen = set()\n    pairs = []\n    for n in nums:\n        complement = target - n\n        if complement in seen:\n            pairs.append((min(n, complement), max(n, complement)))\n        seen.add(n)\n    return sorted(set(pairs))"
}

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 VRAM13B QLoRA · ~10GB VRAM

检测你的 GPU 能否微调 →

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。