180万条人机共著代码编辑语料自报微调优于人类commit语料

读者现在可以直接下载并使用一套约180万条（371GB）由Claude Code、OpenAI Codex、Cursor Agent与人共著的代码编辑语料，其自然语言描述长度接近以往人类commit数据集的10倍。

此前缺少这类智能体与人协作产生的编辑数据，训练只能依赖纯人类commit语料，作者称这限制了微调效果。

美国东北大学团队自报：语料取自公共GitHub上2025年4月至10月初的记录，用其微调的模型在HumanEvalFix、CanItEdit等基准上多数优于纯人类commit语料训练的模型；语料已发布在HuggingFace（nuprl/AgentPack）。

结果为作者自报，尚无第三方复现；该工作2025年9月26日首提，2026年9月16日更新v3（arXiv:2509.21891）。