CIDR：用于软件工程研究的大规模工业源代码数据集

我们推出了精选工业开发人员存储库 (CIDR)，这是从工业合作伙伴收集的真实世界软件存储库的大型数据集。该数据集包含涵盖 75 种编程语言的 4,225 个存储库，总计 8.32 亿原始代码行（5.81 亿逻辑行），以及存储库级别的结构化元数据、完整的版本控制历史记录以及工程实践属性，例如持续集成使用和自动化测试的存在。所有存储库均通过专门为此目的开发的多级管道进行收集、过滤和匿名化。我们还报告了一项探索性 微调 研究，该研究将 30 亿参数的代码语言模型适应 CIDR，并量化对保留的企业代码的影响。 CIDR 旨在支持代码智能、软件质量分析、开发人员工具和相关软件工程任务的研究。对 CIDR 的访问是在受限许可证下提供的；有关资格和条款的详细信息，请访问 https://fermatix.ai/#Contact。