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