xebecedeX/ones_enterprise

RUSSIAN DESCRIPTION

Датасет разработки на платформе 1С:Предприятие

Специализированный датасет для обучения и оценки языковых моделей в области разработки на платформе 1С:Предприятие.

ones_enterprise — курируемый датасет, предназначенный для повышения способности языковых моделей понимать, генерировать, анализировать, отлаживать и проектировать программные решения для платформы 1С:Предприятие.

Датасет ориентирован не только на генерацию отдельных фрагментов кода, но и на решение практических задач разработки. Он охватывает встроенный язык платформы, язык запросов, модель метаданных, архитектуру приложений и типовые инженерные сценарии.

Основная целевая модель для supervised fine-tuning:

• Подход к обучению: Supervised Fine-Tuning (SFT)
• Метод дообучения: QLoRA

Статус датасета: исследовательская разработка. Качество данных, семантическая корректность и совместимость с платформой находятся в процессе проверки. Датасет не следует считать полностью валидированным производственным корпусом.

---

1. Назначение проекта

Разработка на платформе 1С:Предприятие требует значительно большего, чем общие знания программирования.

Полноценный AI-ассистент разработчика 1С должен понимать:

• Встроенный язык 1С (BSL).
• Модель метаданных и взаимосвязи между объектами конфигурации.
• Документы, справочники, регистры, перечисления и планы видов характеристик.
• Язык запросов 1С и виртуальные таблицы.
• Управляемые формы и обработчики событий.
• Клиент-серверную архитектуру.
• Транзакции, блокировки и обеспечение целостности данных.
• Механизмы интеграции и внешние интерфейсы.
• Особенности производительности и платформенные ограничения.
• Типовые архитектурные и инженерные практики разработки.

Универсальные языковые модели могут хорошо знать общие концепции программирования, но зачастую не обладают достаточными знаниями специфики платформы 1С:Предприятие.

ones_enterprise призван сократить этот разрыв за счёт примеров, связывающих естественно-языковые требования с платформенными знаниями и практическими реализациями на 1С.

2. Цели датасета

Датасет предназначен для обучения специализированной модели разработчика 1С, способной:

1. Генерировать процедуры и функции на BSL.
2. Создавать и оптимизировать запросы 1С.
3. Понимать структуру метаданных и зависимости между объектами.
4. Реализовывать бизнес-логику с использованием нескольких объектов конфигурации.
5. Разрабатывать управляемые формы и обработчики событий.
6. Работать с клиент-серверным взаимодействием.
7. Реализовывать транзакции и безопасные операции с данными.
8. Анализировать и исправлять ошибки существующего кода.
9. Выполнять рефакторинг и улучшать существующие реализации.
10. Проектировать решения на основании функциональных требований.
11. Реализовывать интеграции и обмен данными.
12. Объяснять принятые инженерные решения и учитывать ограничения платформы.

Долгосрочная цель — перейти от модели, которая генерирует отдельные фрагменты BSL, к специализированной инженерной модели, способной помогать в разработке прикладных решений на платформе 1С:Предприятие на уровне отдельных задач, взаимодействия объектов и архитектуры приложения.

3. Состав и тематическое покрытие

Датасет охватывает следующие направления:

Направление	Содержание
BSL	Процедуры, функции, переменные, управляющие конструкции, обработка ошибок
Язык запросов	SELECT, соединения, фильтрация, группировки, итоги, виртуальные таблицы
Метаданные	Справочники, документы, регистры, перечисления, реквизиты
Формы	Управляемые формы, элементы управления, обработчики событий, модули форм
Клиент-сервер	Контекст выполнения, серверные вызовы, взаимодействие клиента и сервера
Транзакции	Границы транзакций, блокировки, согласованность данных
Структуры данных	Массивы, структуры, соответствия, таблицы значений, коллекции
Интеграции	HTTP, JSON, XML, внешние сервисы
Отладка	Анализ ошибок, выявление дефектов, исправление кода
Рефакторинг	Переработка структуры кода, читаемость, сопровождаемость
Оптимизация	Производительность запросов и BSL-кода
Архитектура	Многообъектные решения, анализ требований, проектирование

Категории могут пересекаться. Например, задача по обработке проведения документа может одновременно затрагивать BSL, метаданные, транзакции и серверный контекст выполнения.

4. Формат данных

Датасет использует формат JSON Lines (.jsonl).

Каждая запись содержит диалоговую структуру на основе массива messages.

Пример:

{
  "messages": [
    {
      "role": "user",
      "content": "Напиши функцию на BSL, которая возвращает общую сумму всех элементов таблицы значений."
    },
    {
      "role": "assistant",
      "content": "Функция РассчитатьОбщуюСумму(Товары)\n    ОбщаяСумма = 0;\n    Для Каждого Товар Из Товары Цикл\n        ОбщаяСумма = ОбщаяСумма + Товар.Сумма;\n    КонецЦикла;\n    Возврат ОбщаяСумма;\nКонецФункции"
    }
  ]
}

Пример иллюстрирует структуру записи. Он не является подтверждением того, что каждая запись датасета прошла проверку на работающей платформе 1С.

Схема записи

Поле	Тип	Описание
messages	Array	Массив сообщений диалога
messages[].role	String	Роль сообщения, например user или assistant
messages[].content	String	Текст задачи, исходный код или ответ

Формат предназначен для использования в конвейерах подготовки conversational SFT-датасетов.

5. Источники и формирование данных

Датасет объединяет несколько типов обучающих примеров.

5.1. Синтетические примеры на основе метаданных

Примеры формируются с использованием информации о структуре метаданных 1С.

Их задача — научить модель связывать естественно-языковые требования, объекты метаданных и платформенные механизмы реализации.

5.2. Алгоритмически сгенерированные примеры

Примеры создаются с использованием контролируемых шаблонов и алгоритмических паттернов.

Они позволяют расширять покрытие типовых конструкций BSL, запросов и распространённых задач программирования.

5.3. Примеры, извлечённые из реального кода

Примеры формируются на основе существующего исходного кода 1С с последующим преобразованием в обучающие задания.

Такие данные особенно важны для знакомства модели с реалистичными структурами программ, практическими паттернами и особенностями существующих реализаций.

5.4. Примеры исправления ошибок и инженерных задач

В эту категорию входят задания по исправлению кода, поиску дефектов и улучшению существующих решений.

Одно из направлений развития датасета — увеличение количества реалистичных инженерных сценариев в этой категории.

Важно: синтетические, извлечённые и вручную проверенные примеры должны рассматриваться как отдельные категории происхождения данных при оценке качества датасета.

6. Контроль качества и валидация

Качество данных является одним из основных направлений развития проекта.

Корректная JSONL-запись не обязательно содержит семантически правильный BSL-код или работоспособную реализацию на платформе 1С.

Поэтому процесс контроля качества разделяется на несколько уровней:

Уровень проверки	Назначение
Структурная проверка	Корректность JSONL и структуры сообщений
Поиск дубликатов	Обнаружение точных и близких по смыслу повторов
Статический анализ кода	Поиск подозрительных конструкций и синтаксических паттернов BSL
Семантическая проверка	Соответствие решения условиям задачи
Проверка метаданных	Совместимость с используемыми объектами и реквизитами
Платформенная проверка	Компиляция или выполнение средствами 1С, если доступны
Регрессионная проверка	Контроль отсутствия новых дефектов после исправлений
Проверка разбиения	Предотвращение утечки связанных примеров между выборками

Автоматизированные проверки по шаблонам полезны для обнаружения подозрительных записей, но сами по себе не доказывают корректность BSL-реализации.

Известные ограничения

• Не каждый сгенерированный пример BSL гарантированно прошёл компиляцию или выполнение на платформе 1С.
• Синтетические примеры могут содержать шаблонные конструкции.
• Для решения некоторых задач может потребоваться контекст метаданных, который не полностью представлен непосредственно в диалоговой записи.
• Корректность запросов может зависеть от типов и структуры используемых метаданных.
• Качество и тематическое покрытие могут различаться между версиями датасета.

Перед использованием датасета в производственных сценариях рекомендуется самостоятельно проверять обучающие примеры.

7. Использование для обучения моделей

Основной сценарий использования — Supervised Fine-Tuning специализированных языковых моделей.

Рекомендуемый процесс подготовки:

1. Загрузить датасет.
2. Проверить структуру JSONL.
3. Применить chat template базовой модели.
4. Выполнить токенизацию диалогов.
5. Замаскировать labels для сообщений, не принадлежащих assistant.
6. Сохранить необходимые токены окончания диалога.
7. Подготовить train, validation и test выборки.
8. Выполнить предварительную проверку конвейера обучения на небольшом наборе данных.
9. Оценить дообученную модель на независимом тестовом наборе.

Целевая модель

Qwen/Qwen2.5-Coder-7B-Instruct

Метод обучения

QLoRA с использованием Supervised Fine-Tuning.

Сам датасет не гарантирует совместимость с конкретным фреймворком или конфигурацией обучения. Конвейер предварительной обработки необходимо адаптировать под токенизатор и chat template выбранной базовой модели.

8. Рекомендуемая методика оценки

Модель, обученную на этом датасете, не следует оценивать исключительно по значению loss или общему качеству генерации кода.

Рекомендуется использовать следующие направления оценки:

Направление	Что оценивается
Генерация BSL	Корректность и полнота сгенерированного кода
Генерация запросов	Структура запросов, соединения, фильтрация, агрегирование
Понимание метаданных	Корректность использования объектов и реквизитов
Отладка	Способность обнаруживать и исправлять дефекты
Рефакторинг	Сохранение поведения и повышение качества кода
Архитектура	Способность проектировать многообъектные решения
Клиент-серверная логика	Корректность выбора контекста выполнения
Платформенные ограничения	Соблюдение специфики разработки на 1С
Рассуждения	Способность объяснять инженерные решения

По возможности оценка должна включать независимые тестовые задачи, проверки с учётом метаданных, а также компиляцию или выполнение кода на платформе 1С.

9. Структура репозитория

Рекомендуемая структура репозитория:

ones_enterprise/
│
├── README.md
├── LICENSE
├── dataset_info.json
│
├── data/
│   ├── ones_enterprise_final_v9.jsonl
│   ├── train.jsonl
│   ├── validation.jsonl
│   └── test.jsonl
│
├── metadata/
│   └── ...
│
├── reports/
│   ├── dataset_statistics.json
│   ├── quality_report.md
│   └── validation_report.md
│
└── scripts/
    ├── validate_jsonl.py
    ├── analyze_dataset.py
    └── prepare_sft.py

Фактическая структура и имена файлов могут отличаться в зависимости от опубликованной версии. Наличие файлов следует проверять непосредственно в репозитории.

10. Загрузка датасета

Для загрузки локального JSONL-файла можно использовать библиотеку datasets:

from datasets import load_dataset

dataset = load_dataset(
    "json",
    data_files="data/ones_enterprise_final_v9.jsonl",
    split="train"
)

print(dataset)
print(dataset[0])

Если датасет опубликован на Hugging Face, его можно загружать по идентификатору репозитория:

from datasets import load_dataset

dataset = load_dataset(
    "YOUR_HF_USERNAME/ones_enterprise"
)

print(dataset)

Второй пример предполагает, что структура опубликованного репозитория настроена для совместимой загрузки через datasets.

11. Для кого предназначен датасет

Датасет может быть полезен:

• Исследователям, работающим над специализированными языковыми моделями.
• Разработчикам на платформе 1С:Предприятие.
• Функциональным и техническим архитекторам 1С.
• Инженерам, экспериментирующим с fine-tuning моделей для генерации кода.
• Командам, разрабатывающим AI-ассистентов для корпоративных систем.
• Исследователям локальных и специализированных coding agents.

12. Лицензия и условия использования

Лицензия датасета: требует определения.

Лицензия должна быть выбрана с учётом условий использования и распространения всех исходных материалов, вошедших в датасет.

Перед распространением или коммерческим использованием необходимо проверить права на исходный код, метаданные и другие включённые материалы.

Лицензия базовой модели не распространяется автоматически на датасет.

13. Отказ от ответственности

ones_enterprise — независимый исследовательский датасет, посвящённый разработке на платформе 1С:Предприятие.

Проект не является официальным продуктом 1С, не связан с компанией «1С» и не одобрен ею.

Датасет не заменяет официальную документацию платформы и профессиональное ревью кода.

Сгенерированный код должен быть проверен и протестирован в целевой среде 1С перед использованием в критически важных бизнес-системах.

14. Дорожная карта развития

Датасет развивается итеративно, с последовательным улучшением качества и тематического покрытия.

Основные направления развития:

• Повышение семантической корректности BSL-примеров.
• Увеличение доли практических задач прикладной разработки.
• Расширение набора примеров по отладке и рефакторингу.
• Добавление сценариев реализации с использованием нескольких объектов метаданных.
• Улучшение проверки с учётом структуры метаданных.
• Увеличение количества сложных инженерных задач.
• Сокращение шаблонных и семантически дублирующихся примеров.
• Улучшение изоляции train/validation/test выборок.
• Формирование воспроизводимых benchmark-тестов для оценки дообученных моделей.

Каждая новая версия датасета должна сохранять информацию о происхождении данных и сопровождаться воспроизводимыми отчётами о качестве.

---

Цитирование

Если вы используете датасет в исследовательских или инженерных проектах, можно сослаться на репозиторий следующим образом:

@misc{ones_enterprise_dataset,
  title        = {Датасет разработки на платформе 1С:Предприятие},
  author       = {Участники проекта},
  year         = {2026},
  howpublished = {Hugging Face},
  note         = {Датасет для обучения специализированных языковых моделей разработке на платформе 1С:Предприятие}
}

Перед публикацией замените поле author на фактическое имя автора или организации.

---

Проект: ones_enterprise
Платформа: 1С:Предприятие
Основной язык разработки: BSL
Основная задача: специализированное SFT / QLoRA
Целевая базовая модель: Qwen2.5-Coder-7B-Instruct
Статус: исследовательская разработка

ENGLISH DESCRIPTION

1C Enterprise Development Dataset

A specialized dataset for training and evaluating language models on 1C:Enterprise development.

ones_enterprise is a curated dataset designed to improve the ability of code-oriented language models to understand, generate, analyze, debug, and architect software solutions for the 1C:Enterprise platform.

The dataset targets practical software engineering tasks rather than code completion alone. It covers the platform's development language, query language, metadata model, application architecture, and common implementation patterns.

The initial target model for supervised fine-tuning is:

• Training approach: Supervised Fine-Tuning (SFT)
• Fine-tuning method: QLoRA

Dataset status: Research and development. Dataset quality, semantic correctness, and platform-level compatibility are subject to ongoing validation. This dataset should not be considered a fully validated production training corpus.

---

1. Motivation

Developing for 1C:Enterprise requires more than general programming knowledge.

A capable 1C development assistant must understand:

• The Business Application Language (BSL).
• The 1C metadata model and relationships between metadata objects.
• Documents, catalogs, registers, enumerations, and information structures.
• The 1C query language and virtual tables.
• Managed forms and event handlers.
• Client-server execution contexts.
• Transactions, locks, and data consistency.
• Integration mechanisms and external interfaces.
• Performance considerations and platform-specific development patterns.

General-purpose code models may know programming concepts but often lack sufficient platform-specific knowledge to solve real 1C development tasks reliably.

ones_enterprise aims to bridge this gap by providing examples that connect natural-language requirements with 1C-specific implementation knowledge.

2. Goals

The dataset is intended to support the development of a specialized 1C engineering model capable of:

1. Generating BSL procedures and functions.
2. Writing and optimizing 1C queries.
3. Understanding metadata structures and dependencies.
4. Implementing business logic across multiple metadata objects.
5. Developing managed forms and event handlers.
6. Working with client-server execution contexts.
7. Implementing transactions and safe data operations.
8. Debugging existing BSL code.
9. Refactoring and improving existing implementations.
10. Designing solutions from functional requirements.
11. Understanding integrations and data exchange.
12. Explaining implementation decisions and platform-specific constraints.

The long-term objective is to move from a model that merely generates BSL fragments to a model that can assist with end-to-end 1C application development and solution architecture.

3. Dataset Coverage

The dataset covers the following areas.

Domain	Description
BSL	Procedures, functions, variables, control flow, error handling
Query Language	SELECT, joins, filters, grouping, totals, virtual tables
Metadata	Catalogs, documents, registers, enumerations, attributes
Forms	Managed forms, controls, event handlers, form modules
Client-Server	Execution context, server calls, client-server interaction
Transactions	Transaction boundaries, locks, consistency
Data Structures	Arrays, structures, maps, value tables, collections
Integrations	HTTP, JSON, XML, external services
Debugging	Error analysis, defect identification, corrections
Refactoring	Code restructuring, readability, maintainability
Optimization	Query and BSL performance
Architecture	Multi-object solutions, requirements analysis, design decisions

Categories may overlap. For example, a task involving a document posting handler may also involve BSL, metadata, transactions, and server-side execution.

4. Dataset Format

The dataset uses JSON Lines (.jsonl) format.

Each record follows a conversational structure based on a messages array.

Example:

{
  "messages": [
    {
      "role": "user",
      "content": "Write a BSL function that returns the total amount of all items in a value table."
    },
    {
      "role": "assistant",
      "content": "Function CalculateTotal(Items)\n    Total = 0;\n    For Each Item In Items Do\n        Total = Total + Item.Amount;\n    EndDo;\n    Return Total;\nEndFunction"
    }
  ]
}

The example above illustrates the record structure only. It is not a claim that every record has been independently validated against a running 1C platform.

Schema

Field	Type	Description
messages	Array	Conversational messages
messages[].role	String	Message role, such as user or assistant
messages[].content	String	Natural-language task, source code, or response

The format is intended to be compatible with conversational SFT preprocessing pipelines.

5. Data Sources and Construction

The dataset combines multiple types of training examples.

5.1 Metadata-based synthetic examples

Examples generated using information about 1C metadata structures.

These examples are intended to teach relationships between natural-language requirements, metadata objects, and platform-specific implementation patterns.

5.2 Algorithmically generated examples

Examples generated from controlled templates and algorithmic patterns.

They help expand coverage of common BSL constructs, query patterns, and programming tasks.

5.3 Real-code-derived examples

Examples extracted from existing 1C source code and transformed into training tasks.

These examples are particularly valuable for exposing the model to realistic implementation patterns and code structures.

5.4 Bug-fix and engineering examples

Examples involving code correction, debugging, and implementation improvements.

The dataset is intended to expand this category with more realistic engineering scenarios.

Important: Synthetic, extracted, and manually reviewed examples should be treated as distinct provenance categories during quality assessment.

6. Data Quality and Validation

Dataset quality is a central part of this project.

A syntactically valid JSONL record does not necessarily contain semantically correct BSL code or a valid 1C implementation.

The quality process therefore distinguishes several validation levels:

Validation level	Purpose
Structural validation	JSONL integrity and message schema
Duplicate detection	Exact and near-duplicate detection
Static code analysis	Suspicious BSL constructs and syntax patterns
Semantic validation	Consistency between task requirements and generated solution
Metadata validation	Compatibility with referenced metadata objects
Platform validation	Compilation or execution using 1C tooling, where available
Regression validation	Ensuring corrections do not introduce new defects
Split validation	Preventing related examples from leaking across dataset splits

Automated pattern checks are useful for identifying suspicious records, but they cannot independently prove that a BSL implementation is correct.

Known limitations

• Not every generated BSL example is guaranteed to have been compiled or executed by the 1C platform.
• Synthetic examples may contain template-driven patterns.
• Some tasks may require metadata context that is not fully represented in the conversational record.
• Query correctness can depend on the types and structure of the underlying metadata.
• Dataset quality and coverage may vary between versions.

Users should independently validate examples before using the dataset in production training workflows.

7. Intended Training Use

The primary use case is supervised fine-tuning of code-oriented language models.

Recommended workflow:

1. Load the dataset.
2. Validate the JSONL structure.
3. Apply the base model's conversational chat template.
4. Tokenize the conversations.
5. Mask labels for non-assistant messages.
6. Preserve the appropriate end-of-turn tokens.
7. Create train, validation, and test splits.
8. Run a small preprocessing and training smoke test.
9. Evaluate the fine-tuned model against a held-out benchmark.

Target model

Qwen/Qwen2.5-Coder-7B-Instruct

Training method

QLoRA with supervised fine-tuning.

The dataset itself does not include a guarantee of compatibility with a particular training framework or configuration. The preprocessing pipeline must be adapted to the tokenizer and chat template of the selected base model.

8. Recommended Evaluation

A model trained on this dataset should not be evaluated exclusively by measuring loss or generic code-generation performance.

Recommended evaluation dimensions:

Evaluation area	What to measure
BSL generation	Correctness and completeness of generated code
Query generation	Query structure, joins, filters, aggregation
Metadata understanding	Correct use of metadata objects and attributes
Debugging	Ability to identify and correct defects
Refactoring	Preservation of behavior and code quality
Architecture	Ability to design multi-object solutions
Client-server logic	Correct execution context
Platform constraints	Compliance with 1C-specific development rules
Reasoning	Ability to explain implementation decisions

Where possible, evaluation should include independent test cases, metadata-aware checks, and platform-level compilation or execution.

9. Repository Structure

The recommended repository layout is:

ones_enterprise/
│
├── README.md
├── LICENSE
├── dataset_info.json
│
├── data/
│   ├── ones_enterprise_final_v9.jsonl
│   ├── train.jsonl
│   ├── validation.jsonl
│   └── test.jsonl
│
├── metadata/
│   └── ...
│
├── reports/
│   ├── dataset_statistics.json
│   ├── quality_report.md
│   └── validation_report.md
│
└── scripts/
    ├── validate_jsonl.py
    ├── analyze_dataset.py
    └── prepare_sft.py

The actual repository layout and filenames may differ by release. Only files included in the published repository should be treated as available artifacts.

10. Loading the Dataset

The dataset can be loaded directly from Hugging Face using the datasets library.

from datasets import load_dataset

dataset = load_dataset(
    "json",
    data_files="data/ones_enterprise_final_v9.jsonl",
    split="train"
)

print(dataset)
print(dataset[0])

If the dataset is published as a Hugging Face dataset repository, replace the local file path with the repository identifier and the appropriate data-file configuration.

Example:

from datasets import load_dataset

dataset = load_dataset(
    "YOUR_HF_USERNAME/ones_enterprise"
)

print(dataset)

The second example assumes that the repository has been configured with a compatible dataset loading layout.

11. Intended Audience

This dataset may be useful for:

• Researchers working on domain-specific language models.
• 1C:Enterprise developers.
• 1C solution architects.
• Engineers experimenting with code-model fine-tuning.
• Developers building AI assistants for enterprise software.
• Teams researching local and specialized coding agents.

12. License and Usage

Dataset license: to be specified.

The dataset's license must be determined based on the licensing terms and redistribution permissions of its underlying sources.

Users are responsible for checking the rights associated with source code, metadata, and other included materials before redistribution or commercial use.

Do not assume that the base model's license also applies to this dataset.

13. Disclaimer

This is an independent research dataset focused on 1C:Enterprise development.

It is not an official 1C product, is not affiliated with or endorsed by 1C Company, and does not replace official platform documentation or professional code review.

Generated code must be reviewed and tested in the target 1C environment before use in business-critical systems.

14. Project Roadmap

The project is expected to evolve through iterative dataset engineering.

Planned directions include:

• Improving BSL semantic correctness.
• Increasing the share of practical application-development tasks.
• Expanding debugging and refactoring examples.
• Adding multi-object implementation scenarios.
• Improving metadata-aware validation.
• Increasing the number of high-complexity engineering tasks.
• Reducing template-driven and near-duplicate examples.
• Improving train/validation/test split isolation.
• Establishing repeatable evaluation benchmarks for fine-tuned models.

Dataset versions should preserve provenance and provide reproducible quality reports.

---

Citation

If you use this dataset in research or development, please cite the repository:

@misc{ones_enterprise_dataset,
  title        = {1C Enterprise Development Dataset},
  author       = {Dataset Contributors},
  year         = {2026},
  howpublished = {Hugging Face},
  note         = {A dataset for domain-specific language model training on 1C:Enterprise development}
}

Please replace the author field with the actual contributor or organization information before publication.

---

Project: ones_enterprise
Platform: 1C:Enterprise
Primary language: BSL
Primary training objective: Domain-specific SFT / QLoRA
Base model target: Qwen2.5-Coder-7B-Instruct
Status: Research and development