AI Coding Dataset NEW

Coverage SFT 与 RL 两类后训练信号：既有正确答案Trajectories，也有失败Trajectories与归因标注，Support DPO/GRPO 等算Law。

任务口径与评估方式对齐 SWE-bench、DeepSWE、FrontierSWE、LMArena Coding 等榜单，训练与评测可同频迭代。

从单文件修复到跨模块重构的Hours~天级任务，专门补强上下文保持、Reg划与中途纠错能力。

Docker 化环境 + 确定性校验脚本，客户可一键复现评测结果，避免环境与口径争议。

单类任务 3,000–20,000 条起，Support按难度带（Easy/Medium/Hard/Frontier）分层抽样与定制扩容。

Python/Java/Go/TypeScript/Rust/C++ 六Language；仓库级任务含完整脚手架、单元测试与 CI 配置。

任务级 rubric + 步骤级Trajectories + 代码 diff 三级标注，可训练、可归因、可评估。

DeepSWE 类对齐头部模型 65–73% 解决率区间；Ultra Long-horizon 类对齐马拉松式榜单，区分度显著。

为通用大模型补齐真实工程能力，支撑 SFT/RL/偏好对齐全流程训练。

Claude Code、Codex、opencode 类Product的能力验证与短板Positioning。

为评测机构与模型厂商共建高区分度、抗污染的私有评测集。

以统一任务集横向对比候选模型，输出可复现的选型结论。

JSON/JSONL StructuredSample + 代码仓库快照（含 git history）+ Docker 任务镜像 + 校验脚本。

task_id、prompt/issue、repo_snapshot、gold_patch、test_patch、trajectory、rubric、difficulty、metrics。

Double Review标注 + 自动化校验脚本 + 抽检复核，Trajectories可复现率与标注一致性均 ≥ 98%。

标准品类 2–4 周；仓库级与超长程类 4–8 周；支持分批交付与滚动扩容。

商业使用授权 + 开源协议合规审查 + 敏感信息脱敏，提供完整授权文件。

{
  "task_id": "deepswe-00417",
  "repo": "acme-org/serving-core",
  "issue": "多文件联动：连接池泄漏导致长跑 OOM",
  "gold_patch": "diff --git a/pool.py ...",
  "test_patch": "tests/test_pool_leak.py",
  "trajectory": [
    {"step": 1, "action": "grep -R \"Pool(\" src/", "finding": "3 处未释放"},
    {"step": 2, "action": "edit src/pool.py:88", "diff": "..."},
    {"step": 3, "action": "pytest -q", "result": "28 passed"}
  ],
  "difficulty": "hard",
  "metrics": {"resolved": true, "regression": 0, "patch_lines": 42}
}

{
  "prompt": "做一个支持多人协作的看板应用，含拖拽与实时同步",
  "candidate_a": {"stack": "React + WebSocket", "artifact": "..."},
  "candidate_b": {"stack": "Vue + SSE", "artifact": "..."},
  "preference": "a",
  "dimensions": {
    "功能完整性": {"a": 5, "b": 4},
    "UI 美观度": {"a": 4, "b": 5},
    "交互流畅性": {"a": 5, "b": 3}
  },
  "annotator_agreement": 0.81
}