跳到主要内容Skip to main content

Models · Data · 合成数据

Magicoder-OSS-Instruct

从开源代码片段反向生成指令-代码对,强调多样性与真实代码语境。

来源UIUC / Magicoder
规模7.5 万条
语言英文
格式JSONL
许可MIT
商用允许,需保留声明
获取Hugging Face 直接下载
任务适配代码 SFT / 合成指令
核验日2026-11-19

质量与偏差

从开源代码片段反向生成指令-代码对,强调多样性与真实代码语境。

使用边界

合成指令可能带模型风格与错误;代码片段许可需逐仓核对。

第一次使用

先按语言过滤,再抽 500 条看指令与代码是否可执行。

常见坑

把合成数据当人工标注;忽略代码许可证。

成本

低;适合做小模型代码 SFT。

不适合

不适合直接替代真实提交数据。

对比与替代

与 CommitPackFT 相比更便宜、更可控,但真实修改场景覆盖少。

怎么验证

核对数据集版本与许可;抽 20 条实际执行代码。

下一步

  • 打开来源页,下载数据集卡与许可原文,确认版本与获取条件。
  • 先抽 100–500 条样本做质量、语言与敏感内容抽检,再决定是否进训练管线。
  • 如果用于 RAG 或 SFT,先读 RAG 语料怎么选 / SFT 数据怎么配比。
来源:https://huggingface.co/datasets/ise-uiuc/Magicoder-OSS-Instruct-75K · 核验日 2026-11-19 · 许可以来源页为准