The Stack v3 发布：114TB、2240 万仓库并修复去重 bug
anton_lozhkov · x · 2026-07-23
The Stack v3 正式发布，号称是最大的开源代码数据集：总量 114 TB，覆盖 2240 万个仓库、770 种语言，最终得到约 5 万亿 个去重并过滤后的源码 token。
- 团队在重做 v3 去重流程时，发现 v2 的原始管线有一个关键 bug：MinHash shingles 的分词正则写成了 \W 而不是 \W+，导致很多空 shingle，进而让不同语言中大量代码片段产生哈希碰撞。
- 结果是 v2 过度去重得很严重。
- v3 修复了这个问题，改为跨所有语言统一跑 MinHash-LSH，并对每个候选对再用 Jaccard 估计复核，宣称实现了 0 false positives。
- 数据集完全开放，不包含限制性许可证代码。
配图还给出各语言 token 增长，C++ 达到 802B，整体约 4.9T。
所属事件:Hugging Face 发布 The Stack v3：114TB 史上最大开源代码数据集(13 条相关)→
「Infra」频道最新
- AI 数据中心时代用电论战：有人还在纠结灯泡省电与调整时区 — mgostIH · 2026-10-27
- 法律 AI 公司 Legora 在 Modal 上并行跑 2000 个 agent eval — blelbach · 2026-10-27
- 云厂商发布速度打分：AWS 95 分领先，Azure 90、谷歌云 82 — DavidLinthicum · 2026-10-27
- 卖掉 5090 换多机？一公司主拆解本地推理硬件扩展五套方案 — Anarchaotic · 2026-10-27
- AWS 教程:SageMaker SDK v3 搭建车队级边缘视觉模型流水线 — AWS ML Blog · 2026-10-27
- Embedl 把 Qwen3.8-27B 压进 Jetson Thor:解码 40 tok/s,精度反超 FP16 — No-Dragonfly6246 · 2026-10-27