arXiv cs.AI· Vladislav Savenkov·· 11 小时前AI 评分36
CIDR：面向软件工程研究的大规模工业级源代码数据集
CIDR: A Large-Scale Industrial Source Code Dataset for Software Engineering Research
AI 导读
研究团队发布 CIDR 数据集，包含来自工业合作伙伴的 4,687 个真实软件仓库，覆盖 84 种编程语言，共 10.33 亿行原始代码（6.703 亿逻辑行），并附带版本控制历史与持续集成、自动化测试等工程实践属性。
正文 · AI 翻译
摘要：我们提出了精选工业开发者代码库（CIDR），这是一个从工业合作伙伴处收集的大规模真实世界软件代码库数据集。该数据集包含 4,687 个代码库，涵盖 84 种编程语言，总计 10.33 亿行原始代码（6.703 亿行逻辑代码），并附有代码库级别的结构化元数据、完整的版本控制历史，以及持续集成使用情况和自动化测试存在性等工程实践属性。所有代码库均通过为此专门开发的多阶段流水线进行收集、过滤和匿名化处理。我们还报告了一项探索性微调研究，该研究将一个 30 亿参数的代码语言模型适配到 CIDR，并量化了其对留出企业代码的影响。CIDR 旨在支持代码智能、软件质量分析、开发者工具及相关软件工程任务的研究。CIDR 的访问权限以受限许可方式提供；有关资格和条款的详细信息，请参见此 https URL。
| 评论： | 60 页，13 幅图，8 个附录。数据集访问：此 https URL。匿名化工具：此 https URL。元数据实用工具：此 https URL |
| 主题： | 软件工程（cs.SE）；人工智能（cs.AI） |
| ACM 分类： | I.2.6；I.2.7 |
| 引用为： | arXiv:2605.12153 [cs.SE] |
| （或本版本的 arXiv:2605.12153v3 [cs.SE]） | |
| https://doi.org/10.48550/arXiv.2605.12153 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Vladislav Savenkov [查看电子邮件]
[v1]
2026 年 5 月 12 日星期二 14:07:17 UTC（1,785 KB）
[v2]
2026 年 8 月 5 日星期三 15:50:43 UTC（2,290 KB）
[v3]
2026 年 10 月 16 日星期五 06:04:19 UTC（2,396 KB）
来源：arXiv cs.AI · arxiv.org