SOAR ARC Train 5M: conjunto de datos de 5 millones de soluciones para sintetizar programas de Python

Texto

SOAR ARC Train 5M: conjunto de datos de 5 millones de soluciones para sintetizar programas de Python

SOAR ARC Train 5M es un amplio conjunto de datos de soluciones de programación de Python vinculadas al punto de referencia ARC. Permite entrenar modelos capaces de superarse a sí mismos mediante el aprendizaje iterativo sobre programas exitosos y fallidos.

Obtén el dataset

Tamaño

Alrededor de 5 millones de ejemplos, soluciones en código Python, formato JSON o similar

Licencia

MIT

Descripción

‍

SOAR ARC Train 5M es un corpus masivo de soluciones de Python sintetizadas para el punto de referencia ARC (Abstraction and Reasoning Corpus). Incluye alrededor de 5 millones de ejemplos e integra un proceso de superación personal en el que las soluciones fallidas se reutilizan como datos válidos mediante el reetiquetado.

‍

¿Para qué sirve este conjunto de datos?

‍

Capacite modelos de síntesis de programas de superación personal
Probar enfoques de aprendizaje evolutivo en tareas de razonamiento complejas
Proporcionar un corpus masivo para afinar la resolución de problemas algorítmicos en Python

‍

¿Se puede enriquecer o mejorar?

‍

Este conjunto de datos se puede ampliar añadiendo nuevos programas, reetiquetando tareas sintéticas adicionales o integrando anotaciones sobre la calidad de las soluciones.

‍

🔎 En resumen

Criterio	Evaluación
🧩 Facilidad de uso	⭐⭐⭐⭐⭐ (Datos bien estructurados, formato adaptado a flujos de trabajo ML)
🧼 Necesidad de limpieza	⭐⭐⭐⭐✩ (Bajo, corpus limpiado mediante deduplicación)
🏷️ Riqueza de anotaciones	⭐⭐⭐⭐✩ (Relabeling innovador para autoaprendizaje)
📜 Licencia comercial	✅ Sí (MIT)
👨‍💻 Ideal para principiantes	⚠️ Medio a avanzado, requiere dominio en ML y programación
🔁 Reutilizable para fine-tuning	🎯 Perfecto para fine-tuning y aprendizaje evolutivo
🌍 Diversidad cultural	⚠️ Dataset técnico especializado, diversidad limitada al dominio