Spaghetti Architect：抗污染、按构造标记的多语言代码数据集生成器

挖掘出来的代码语料库非常丰富，但不受控制：片段的语义、表面的“混乱”和难度都是野生的；没有已知的最佳评分参考；并且任何公共样本都可能已经位于模型的训练集中。我们推出了 Spaghetti Architect，这是一种工具，可以通过语料库所缺乏的控制来创建代码数据集。反优化转译器将干净的、与语言无关的 JSON 中间表示映射到五种语言（Python、JavaScript、Go、Java、C++）中故意冗余的、完全扁平化的程序；每个程序都根据参考预言机进行编译、运行和检查，因此每个实例的构造都是正确的。干净的IR是已知的最佳参考，混乱是通过严格嵌套的反模式配置文件来调节的，每个实例都沿着两个正交的难度轴进行标记，内在的（问题大小）和偶然的（以固定语义表示），并且通过从私人保留的种子中铸造新的变体来抵制污染。我们提供了构造有效性证据，证明质量顺序移动了既定的复杂性和可读性指标，并报告了四模型开放阶梯的基线：精确匹配随着规模的增加而增加，而内在旋钮将即使是最强模型的算术聚合精度也压缩为零。此外，开发集分数与新重新铸造的保留分数相同，在 $|Δ|\le 0.012$（理解）和 $\le 0.011$（重构）范围内；在相同的程序上，重构等价（$0.73 \rightarrow 0.99$）是尺度不变的，而输出预测崩溃；消除生成器的自注释表明，它们使最弱的模型比最强的模型膨胀了一个数量级（$-0.173$ vs $-0.017$）：带注释的梯子解析了三个相邻对中的一个，而未注释的梯子解析了所有三个。开源 (MIT)、无依赖性、在持久 DOI 下存档。