3DCodeVerse:可运行三维代码数据集
数据集简介
当前可用的内容
3DCodeVerse 已按来源整理出四部分语料,每条记录都是一个完整可运行的三维项目:
| 来源 | 样本数 | 说明 |
|---|---|---|
| 3dcodebench 精选集 | 4390 | 由 Infinigen 程序化生成器派生,经 3DCodeBench 整理 |
| 3dcodebench 全集 | 25428 | 与精选集同源,覆盖更完整的生成结果 |
| bioinspired3d | 6343 | 派生自 lamm-mit/Bioinspired3D |
| threejs_coding_agent | 490 | 单文件 three.js 页面,仅保留 JavaScript 零报错样本 |
three.js 部分只收录运行时不产生 JavaScript 错误的页面,因此该集合同时具备执行基准的性质,可用于检验生成代码能否真正跑通。
规划中的来源目录
除已发布内容外,仓库还按来源预留了若干目录,用于后续分批纳入:factories_geo、factories_tex、instances_geo、instances_tex、instances_geo_full、instances_tex_full,以及 codex_luna、codex_sol、codex_terra、fable_5、opus_4_8、opus_5。这些目录名对应不同的生成来源与几何、纹理变体,便于按批次扩充语料。
数据格式与统一划分
语料以多模态形式组织:Blender Python 代码、three.js 的 HTML 页面、网格资产、渲染图像与文本描述并存,并附带 dataset_info.json 与自动转换的 Parquet 文件。统一划分位于 data/ 目录,可通过 datasets 库直接加载;索引文件共 486 行,default 子集规模为 2.03M rows,并设有 text split。除文本字段外,样本还带有渲染图像,因此使用图像时需先下载数据再指向本地副本。
三套登记表与选用方式
仓库提供三套登记表,分别服务于不同的加载路径。若只需文本,可直接从 Hub 读取,无需下载图像资源;若训练需要图像,则应先完成下载,再让数据加载指向本地目录。具体字段级 schema 未在仓库中固定公开,实际使用时以 data/ 目录中的文件与 dataset_info.json 为准。
训练配置与来源质量记录
dataset_info.json 给出了直接用于训练的配置,配合统一划分即可启动训练流程。来源与质量记录集中在 _reports/ 目录,逐项记录各来源的出处与筛选情况,便于核查样本来源、许可归属与质量控制过程。
许可与获取方式
数据集整体采用 CC-BY-NC-SA-4.0 许可,公开可免费下载,可从 Hugging Face 仓库加载。各来源的许可分别为:3dcodebench 为 BSD-3-Clause,bioinspired3d 为 MIT,threejs_coding_agent 为 CC-BY-4.0。使用或再分发时需同时遵循整体许可与对应来源的条款。
引用信息
若在研究中引用本数据集,请参考项目论文《3DCodeVerse: Exploring 3D Worlds as Code》,并注明数据来源与版本信息。