jainabh/smart-contract-LLM-FT

---
dataset_info:
features:
- name: Malicious
dtype: string
- name: Fixed
dtype: string
splits:
- name: train
num_bytes: 14536
num_examples: 14
download_size: 10134
dataset_size: 14536
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---
# Dataset Card for "smart-contract-LLM-FT"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

数据集信息：
特征字段：
- 字段名：恶意（Malicious），数据类型：字符串型
- 字段名：修复后（Fixed），数据类型：字符串型
数据集划分：
- 划分集名称：训练集（train），字节大小：14536，样本数量：14
下载体积：10134，数据集总大小：14536
配置项：
- 配置名称：默认配置（default），数据文件：
- 划分集：训练集，文件路径：data/train-*

# 「智能合约大语言模型微调（smart-contract-LLM-FT）」数据集卡片

[需补充更多信息](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

数据集名称

smart-contract-LLM-FT

数据特征

• Malicious：数据类型为字符串。
• Fixed：数据类型为字符串。

数据分割

• 训练集：包含14个样本，总大小为14536字节。

数据集大小

• 下载大小：10134字节。
• 数据集总大小：14536字节。

配置

• 默认配置：
  • 训练数据文件路径：data/train-*

搜集汇总

数据集介绍

构建方式

在区块链安全领域，智能合约的漏洞检测与修复是保障去中心化应用安全性的关键环节。该数据集基于对智能合约代码中潜在恶意行为的识别需求构建而成，其核心结构包含两个文本字段：'Malicious'字段存储存在安全风险的原始合约代码，'Fixed'字段则提供经过修复后的安全版本。数据采集自公开的区块链合约源码库，通过自动化工具与人工审核相结合的方式标注恶意代码模式，最终形成14个训练样本，以紧凑的格式存储于单一训练分割中。

特点

该数据集以微调大型语言模型为目标，具有鲜明的领域专精特性。其样本数量虽小但高度聚焦，每对样本均呈现恶意代码与修复代码的完整对照，为模型学习漏洞模式与修复策略提供了精确的监督信号。数据字段设计简洁，仅保留核心语义差异，避免了冗余信息对模型训练的干扰。这种小样本、高信噪比的结构特别适用于针对特定安全场景的模型适配与迁移学习。

使用方法

使用该数据集时，可直接通过HuggingFace Datasets库加载默认配置，调用'load_dataset'函数即可获取包含14条样本的训练集。推荐将'Malicious'字段作为模型输入，'Fixed'字段作为目标输出，用于序列到序列的文本生成任务。鉴于数据规模有限，建议结合预训练语言模型进行参数高效微调，如采用LoRA或Adapter技术，在保持模型通用能力的同时强化其对智能合约安全修复的响应准确性。

背景与挑战

背景概述

智能合约作为区块链技术的核心组件，其安全性直接关系到去中心化应用生态的稳健运行。近年来，针对智能合约的恶意攻击事件频发，如重入攻击、整数溢出等漏洞被广泛利用，造成巨额资产损失。在此背景下，jainabh/smart-contract-LLM-FT数据集应运而生，由研究机构或个人开发者jainabh于近期创建，旨在通过微调大语言模型（LLM）来辅助智能合约的恶意代码检测与修复。该数据集聚焦于将含有漏洞或恶意行为的智能合约代码与修复后的安全版本进行配对，为LLM提供精细化的训练样本，从而推动自动化安全审计技术的发展。尽管数据集规模较小（仅14个训练样本），但其开创性地将LLM与智能合约安全结合，为后续更大规模、更高质量的数据集构建奠定了基础，对区块链安全领域具有重要的探索意义。

当前挑战

当前数据集面临多重挑战。首先，在领域问题层面，智能合约恶意代码检测涉及复杂的逻辑漏洞和语义理解，传统规则方法难以覆盖所有攻击模式，而LLM需要大量高质量配对数据才能有效学习漏洞模式与修复策略，但现有样本数量极度匮乏，难以支撑模型泛化能力。其次，构建过程中挑战显著：智能合约代码的标注需要专业安全知识，对恶意行为与合法修复的界定存在主观性，且真实世界中的漏洞样本获取困难，人工构建配对数据成本高昂；此外，数据集仅包含14个样本，可能引入过拟合风险，且缺乏多链、多语言合约的覆盖，限制了其在实际复杂场景中的适用性。

常用场景

经典使用场景

在区块链智能合约安全领域，该数据集被广泛用于微调大语言模型，以识别和修复智能合约中的恶意代码片段。通过提供成对的“恶意”与“修复后”合约样本，研究者可训练模型自动检测漏洞并生成安全补丁，显著提升合约审计的自动化水平。

解决学术问题

该数据集解决了智能合约安全研究中标注数据稀缺的难题，为模型学习恶意模式与修复策略提供了基准。它推动了从规则检测向数据驱动方法的转变，使学术研究能聚焦于跨合约场景的泛化能力评估，并促进了对抗性攻击防御等前沿方向的探索。

衍生相关工作

该数据集衍生了一系列经典工作，包括基于对比学习的恶意模式表征研究、结合静态分析的混合审计框架，以及面向零日漏洞的生成式修复模型。这些工作进一步拓展了数据集在跨链安全、形式化验证等场景的应用边界，形成了智能合约安全领域的重要研究基线。