CodeXGLUE 代码克隆检测 BigCloneBen
数据集简介
数据集摘要
该数据集对应 CodeXGLUE 基准中的代码克隆检测任务(Clone-detection-BigCloneBench),原始项目位于 microsoft/CodeXGLUE 仓库的 Code-Code/Clone-detection-BigCloneBench 目录。当前 HuggingFace 版本由 Kusshal/Embed 页面提供,标注为从 google/code_x_glue_cc_clone_detection_big_clone_bench 复制而来。
任务类型为文本分类,子任务为语义相似度分类(semantic-similarity-classification):给定两段代码作为输入,判断它们是否为克隆(语义等价)。数据模态为表格 + 文本(代码片段)。
数据工作室
HuggingFace 页面提供 Data Studio 预览功能,可在线浏览数据集内容。数据集以 parquet 格式存储,共约 173 万行,规模标注为 1M - 10M。字段包括 id、id1、id2、func1、func2、label,其中 func1 与 func2 分别存放两段待比较的代码片段,label 为克隆判定标签。
文件与版本
页面提供 Files and versions 区域,可查看和下载 parquet 文件。数据集公开可下载,许可证为 c-uda。发布日期为 2026-10-03。
社区
页面包含 Community 区域,供用户讨论与反馈。
引用:CodeXGLUE Clone-detection-BigCloneBench dataset, available at https://github.com/microsoft/CodeXGLUE/tree/main/Code-Code/Clone-detection-BigCloneBench