SWE-Zero-openhands-trajectories
קוד פתוחnvidiacc-by-4.02026-04-17
nvidia עומדים גם מאחורי NVIDIA AI, ויש עליו סקירה כאן.
המאגר כולל מעל 318 אלף מסלולי ריצה מלאים של סוכני תוכנה שפותרים תקלות קוד אמיתיות. הוא נבנה במיוחד כדי לאמן מודלים לפעול עצמאית מול מאגרי קוד ובנצ'מרקים בסגנון SWE-Bench.
- 2,530הורדות בחודש
- 20לייקים
מה זה
הרשומות מייצגות היסטוריית שיחה מלאה של סוכן אוטונומי, כולל הנחיות מערכת, חשיבה של המודל, קריאות לפקודות ולכלים ותוצאות מהסביבה, לצד התיקון הסופי בפורמט unified diff. בסך הכל יש כאן 318,115 מסלולים שנבנו מתוך 118,092 תיאורי תקלות שונים. כל רשומה כוללת מזהה ייחודי, שם המאגר בגיטהאב, הרישיון המקורי שלו ושם מאגר המקור שממנו נלקחה התקלה.
תיאורי התקלות עצמם נאספו מכמה מקורות קיימים, בהם SWE-Gym, SWE-Gym-Raw, R2E-Gym-Subset, SWE-Fixer-Train-110K ו־SWE-rebench. עבור חלק מהמקרים, בייחוד אלה שהגיעו מ־R2E-Gym-Subset, תיאורי התקלות נוצרו סינתטית בעזרת מודל. הריצות והאינטראקציות עצמן יוצרו באופן אוטומטי לחלוטין דרך שלד התוכנה OpenHands באמצעות המודל Qwen3-Coder-480B-A35B-Instruct.
מתאים ל
- אימון סוכני קוד מונחה
אימון מודלים לתכנון, שימוש בכלים וניווט במאגרי קוד לפתרון בעיות תוכנה מורכבות.
- זיקוק מודלים למשימות קוד
העברת יכולות פתרון בעיות ממודל ענק למודלים קטנים ומהירים המיועדים לפיתוח.
- ניתוח התנהגות כלי סוכן
מחקר על אופן קבלת החלטות, בדיקת רגרסיות ותיקון תקלות בסביבות תוכנה שונות.
איפה זה נופל
כל המסלולים בדאטהסט הם תוצר סינתטי של מודל יחיד, Qwen3-Coder-480B-A35B-Instruct, ולכן המודל שלכם עלול לרשת הטיות חשיבה, דפוסי שגיאה או הנחות עבודה של אותו מודל מקור. אין כאן נתוני עולם אמיתי שנכתבו בידי מפתחים אנושיים בזמן אמת, אלא סימולציה. שפת הקוד והשיח מבוססת לחלוטין על מאגרי קוד פתוח בינלאומיים באנגלית, ללא כל תוכן בעברית. לפני שמשלבים מודל שאומן על הנתונים הללו בסביבת ייצור, חובה לבדוק שהפתרונות אינם כוללים הזיות של פקודות מערכת או יצירת פרצות אבטחה בטלאי הקוד הסופי.
שאלות
נפוצות
האם מותר להשתמש בדאטהסט לפיתוח מודל מסחרי?
כן. הנתונים מפורסמים תחת רישיון CC BY 4.0, וכל המאגרים שמהם נאסף המידע מוגדרים תחת רישיונות מתירניים כמו MIT, Apache ו־BSD. נדרש רק לתת קרדיט כפי שמצוין ברישיון.
האם יש בדאטהסט קוד או טקסט בעברית?
לא. כל תיאורי התקלות, השיחות והמאגרים מקורם בפרויקטים בינלאומיים בקוד פתוח, והשפה שבה מתנהל הדיאלוג והקוד היא אנגלית בלבד.
איך המידע נוצר ונאסף בפועל?
התקלות נאספו ממאגרים קיימים כמו SWE-Gym ו־SWE-Fixer, וחלק מהתיאורים סונתזו באמצעות מודל. כל מסלולי הפתרון נוצרו אוטומטית בהרצה של שלד OpenHands מול המודל Qwen3-Coder-480B-A35B-Instruct.
האם הדאטהסט כולל בדיקות הרצה אמיתיות של הפתרונות?
המאגר מתמקד במסלולים לצורך אימון מונחה ללא תלות בהרצה חיה בזמן האימון. הוא מספק את היסטוריית הפעולות ואת הטלאי הסופי, אך אימות התוצאות תלוי בבנצ'מרק שבו תבחרו לבדוק את המודל שלכם.
איך טוענים
המאגר ציבורי ופתוח להורדה ישירה ללא צורך באישור גישה. הנתונים מחולקים ל־64 קובצי parquet תחת תיקיית data, כך שמומלץ להזרים אותם ישירות באמצעות ספריית datasets או לעבד אותם בקבוצות. השדות המרכזיים לעבודה הם trajectory שמכיל את רצף השיחה והפעולות, ו־model_patch שמחזיק את הקוד המתוקן הסופי.
from datasets import load_dataset
ds = load_dataset("nvidia/SWE-Zero-openhands-trajectories")הרישיון
המאגר מופץ תחת רישיון CC BY 4.0, המאפשר שימוש מסחרי ומחקר ללא תשלום, בתנאי מתן קרדיט מתאים ליוצרים. המאגרים שמהם נלקחו התקלות מסוננים ברישיונות מתירניים בלבד כמו MIT, Apache-2.0 ו־BSD, כך שאין מניעה חוקית לאמן עליו מודלים מסחריים.
- שימוש מסחרי
- שינוי הקוד
- חובת ייחוס