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:最大开源代码数据集 The Stack v3 发布(3 条相关)→
「Infra」频道最新
- 韩国电力变压器出口 6 月环比暴跌 45.8% — tengyanAI · 2026-07-23
- 缓存、失效和 TTL：生产系统的三大核心权衡 — Franc0Fernand0 · 2026-07-23
- 分布式系统最终都会遇到的三种扩容模式 — Franc0Fernand0 · 2026-07-23
- 延迟和吞吐量：系统设计里最核心的两项权衡 — Franc0Fernand0 · 2026-07-23
- 高可用系统的关键，不只是设计出来而是测得出来 — Franc0Fernand0 · 2026-07-23
- 系统设计之前，先做一次容量预估 — Franc0Fernand0 · 2026-07-23