Oct, 2019

JuICe：一个大规模的远程监督数据集，用于基于上下文的代码生成

PDF
TL;DR通过 JuICe 语料库，本文提出了一种基于上下文历史训练的代码生成模型，该语料库提供了 1.5 百万个代码示例和 3.7 千个测试用例，并有利于深入探索交互式编程、自然语言处理和基于 Jupyter notebooks 的编程。
interactive programmingjupyter notebookscode generationnatural language processingcontextual data
发现论文，激发创造
  • AICoderEval: 大型语言模型的 AI 领域代码生成改进

    自动代码生成，面向真实世界任务的 AICoderEval 数据集评估了大型语言模型的任务特定代码生成能力，并提出了基于代理机制的框架 CoderGen，通过增强模型和构建 AICoderEval 提高了 LLMs 的任务特定代码生成能力，AICoder 在效果上表现优于现有的代码生成 LLMs，证实 AICoderEval 基准的质量。

    Jun, 2024

  • InstructCoder：赋予语言模型在代码编辑中的能力

    本研究使用大型语言模型（LLMs）和 InstructCoder 数据集，探索用户指令下的代码编辑，涵盖评论插入、代码优化和代码重构等多个隐含任务。实验证明，在 InstructCoder 数据集上对开源 LLMs 进行精细调整，能够大多数情况下正确地编辑代码，展现了前所未有的代码编辑性能水平。

    Oct, 2023

  • CodeXGLUE：面向代码理解和生成的机器学习基准数据集

    介绍了 CodeXGLUE 的数据集和模型评价平台，包括 10 个任务和三种基准系统，旨在促进机器学习在程序理解和生成方面的研究和开发。

    Feb, 2021

  • VISION2UI：从 UI 设计生成代码的带有布局的真实世界数据集

    从实际场景中提取和清洗，包含设计愿景和 UI 代码的高质量数据集 VISION2UI 用于细调 Multimodal Large Language Models (MLLMs) 以实现自动化 UI 代码生成。

    Apr, 2024

  • ViGGO：一个用于开放域对话中的数据到文本生成的视频游戏语料库

    本文提出了一个新的、干净且适合用于开放领域对话系统的 7K 样本语料库，探索了视频游戏领域，从而更好地利用深度学习在自然语言生成方面的作用。

    Oct, 2019

  • 提升上下文学习，用于代码生成

    本文旨在提出一种名为 AceCoder 的新型代码生成方法，应用于六种已预先训练的语言模型，并在三个公共基准测试中进行了评估，结果显示 AceCoder 可以显著提高 PTLM 在代码生成方面的性能。

    Mar, 2023

  • 交互式数据科学笔记本中的自然语言代码生成

    本研究构建了一个考核数据科学笔记本中 Pandas 数据分析框架的代码生成问题集 ARCADE，并开发了一个 Python 计算笔记本的代码语言模型 PaChiNCo，该模型可以通过少量提示生成更好的代码，提高了模型预测的多样性和可解释性。

    Dec, 2022

  • VersiCode: 面向可版本控制代码生成功能

    本研究通过引入 VersiCode 数据集和两个专门的评估任务 (VSCC 和 VACE)，对大型语言模型在生成特定库版本可验证代码方面的能力进行综合实验和性能评估，揭示了即使是最先进的大型语言模型在生成版本正确代码方面也存在困难，为进一步研究这一重要领域的能力和限制提供新的视角和资源。

    Jun, 2024

  • 筛选和生成：一种用于神经自然语言生成中语义和风格联合控制的语料库和方法

    通过自然描述性用户评论数据免费生成语义和样式标记富文本的可并行结构化意义表示的训练数据集，系统地探索样式标记如何实现神经模型输出的语义和样式联合控制，提出了 YelpNLG，一个跨越不同餐厅属性的高度风格多变的参考文本和富含语义的并行结构化意义表示语料库，实验结果表明该模型可以在保持语义的前提下，成功地达到多个样式目标，包括形容词的词汇选择，输出长度和情感。

    Jun, 2019

  • 数据科学代码生成模型的执行评估

    介绍了一个解决数据科学代码生成任务执行评估缺乏的问题的方法 ExeDS，包括一个包含 534 个问题的数据集，并对表现高的 5 个最先进的代码生成模型进行了执行结果评估，发现表面形式得分高的模型不一定表现良好，表达的是执行度量标准可以更好地捕捉模型代码生成错误。

    Nov, 2022