Jupyter Agent Dataset：针对数据分析与代码智能的标杆训练集，基于真实Kaggle笔记本深度加工，助力训练能够理解上下文、执行Python代码并生成逐步推理的智能代理。
• 覆盖51,389个合成笔记本，约20亿训练token，分“thinking”和“non-thinking”两大子集，兼顾不同模型需求。
• 自动去重、多阶段清洗，筛选高教育质量片段，剔除无关代码，确保数据分析相关性与实用性。
• 每条样本包含自然语言问答对、执行轨迹、原笔记本和数据集引用，支持多种Python数据处理库（pandas、numpy、matplotlib）执行。
• 结合Qwen-32B评分与Qwen-Coder-480B代码生成，使用E2B沙盒环境保障代码安全可复现，提升模型20% DABstep易用性得分。
• 适合微调面向数据分析、探索性数据分析（EDA）和代码生成的LLM，显著增强复杂问题解决能力。
• 明确授权框架，遵守Kaggle原始数据集与笔记本的许可协议，专注派生QA和执行轨迹，避免数据版权风险。
三点启发🔍
1. 数据质量高于数量，精选代码片段胜过海量无关数据，显著提升模型训练效果。
2. 结构化问答与执行轨迹结合，推动模型理解推理链条而非单纯代码生成。
3. 真实环境执行验证是提升模型鲁棒性和实用性的关键，沙盒执行成为标配。
了解详情👉 huggingface.co/datasets/data-agents/jupyter-agent-dataset
机器学习 数据集 代码智能 人工智能 Python Kaggle
