Langhui
AI Coding Dataset

AI Coding Dataset NEW

SWE Long-Range Engineering . Génération de niveau entrepôt . Dilalogismes de niveau concours ..après la formation et les préférences sont alignées

Pour les demandes de première ligne pour le modèle codé et le code Agent 2026, couvrant les tâches à spectre complet de la restauration de fichiers uniques à plusieurs projets marathon, l'étalonnage de la mission est aligné sur les listes générales telles que SWE-bench Verified/Pro, DeepSWE v1.1, FrontierSWE, LMArena Coding. Chaque type de données est accompagné d'un environnement exécutoire, d'un script d'étalonnage et d'un label expert, qui peuvent être utilisés directement pour la formation post-formation, l'alignement et l'évaluation des compétences SFT/RL.

Jeu de donnéesCatalogue

Section Positioning and Development Value

post-entraînement燃料

Couvre deux types de signaux de post-formation SFT et RL : une piste de réponses correctes, une piste de défaillance et d'attribution, des algorithmes de support tels que DPO/GRPO.

榜单同频

La formation et l ' évaluation sont alignées sur l ' évaluation des listes de profils de la mission, telles que SWE-bench, DeepSWE, FrontierSWE, LMArena Coding.

长程能力

De la restauration de fichiers uniques à la tâche de réingénierie intermodules hours-sky, qui est dédiée au renforcement des capacités de maintenance de contexte, de planification et de correction d'erreurs à mi-parcours.

评测基建

Docker + Vérifier les scripts pour plus de certitude, et le client peut répéter les résultats de l'évaluation par une seule clé pour éviter les conflits environnementaux et de calibrage.

Data and Task Composition, Scale Description

Task Scale

Les missions de type unique, à commencer par 3 000 à 20 000, appuient la stratification et la personnalisation de la bande de facilité (Easy/Medium/Hard/Frontier).

语言与仓库

Python/Java/Go/ TypeScript/ Rust/C++ Six langues; les tâches de niveau entrepôt comprennent l'échafaudage complet, les essais unitaires et la configuration CI.

Annotation Granularity

La rubrique + pas + code diff 3 du niveau de tâche est marquée, ce qui est la formation, l'attribution, l'évaluation.

难度分布

Le modèle de résolution de résolution de la tête DeepSWE 65-73%; la liste des Zimarason d'appariement ultra-long-horizon est très différente.

Cas d'usage typiques

Formation post-codage

Formation complète des processus pour SFT/RL/Phosition pour compléter la capacité réelle de génie pour le modèle générique grand.

Recherche sur l'Agen

Validation de capacité et positionnement court-circuit pour Claude Code, Codex, Opencode.

Construction de repères

Un ensemble d'évaluation privée à haute division et résistant à la pollution a été élaboré pour l'organisme d'évaluation et les fabricants de modèles.

Sélection du modèle

Pour aligner l'ensemble des tâches sur le modèle candidat horizontalement, produire les conclusions sélectionnées qui peuvent être répétées.

Delivery Format and Specifications

Delivery Format

JSON/JSONL échantillon structuré + snapshot du dépôt de code (avec l'historique git) + miroir de tâche Docker + script de vérification.

Core Fields

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

Quality Inspection Standards

Note double-revue + vérification automatique du script + examen d'échantillon, reproductibilité de la piste et cohérence de l'étiquette sont 98%.

Cycle de livraison

Standard 2-4 semaines; niveau d'entrepôt et gamme hyper longue 4-8 semaines; soutien pour la livraison par lots et l'expansion de laminage.

授权与合规

Autorisation d'utilisation commerciale + examen de la conformité des ententes de libre-échange + sensibilité aux renseignements sensibles et présentation de documents d'autorisation complets.

Example Description

Structure de l'échantillon de mission de DeepSWE (extrait)
{
 "task_id": "deepswe-00417",
 "repo": "acme-org/serving-core",
 "issue": " 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 "},
 {"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}
}
Codage de l'échantillon préféré Arena (choisir)
{
 "prompt": " ",
 "candidate_a": {"stack": "React + WebSocket", "artifact": "..."},
 "candidate_b": {"stack": "Vue + SSE", "artifact": "..."},
 "preference": "a",
 "dimensions": {
 " ": {"a": 5, "b": 4},
 "UI ": {"a": 4, "b": 5},
 " ": {"a": 5, "b": 3}
 },
 "annotator_agreement": 0.81
}

Un programme personnalisé de données de codage de l'IA?

Changsha Langhui Information Technology Co., Ltd. La plateforme DataAssetsAPI prend en charge des combinaisons flexibles de tâches, de piles de langage, de bandes de difficultés et de tailles, fournissant un aperçu de l'échantillon avec une évaluation privée.

Nous contacter