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 工程师必懂的 12 种 KV Cache 压缩技术一文讲透 — blaizedsouza · 2026-09-11
- 影子算力市场走向台前,Meta 对外出售过剩 GPU 算力成标志性信号 — DavidLinthicum · 2026-09-11
- Engram 随机读取不适合 SSD，CPU 内存低延迟共享或成正解 — bookwormengr · 2026-09-11
- 劝退帖:推理工程是真金白银的硬活,八成尝鲜者已悄然放弃 — abhijithneil · 2026-09-11
- Hugging Face《Ultra Scale Playbook》:GPU 集群训练 LLM 的免费技术书 — mdancho84 · 2026-09-11
- 从聊天到 Agent,推理延迟正在成为生产级瓶颈 — Euphoric_Sea632 · 2026-09-11