The Stack v3 发布 114TB 开源代码数据集，覆盖 770 种语言
anton_lozhkov · x · 2026-07-24
- The Stack v3 正式发布，号称是目前最大的开源代码数据集：原始规模 114 TB、覆盖 770 种语言、2.24 亿 仓库，去重后约 5 万亿 tokens。
- 其中训练子集包含 15.9 TB 代码、713 种语言、来自 1.73 亿 仓库；完整语料则是 113.7 TB、770 种语言、2.24 亿 仓库。
- 相比 v2，v3 覆盖了 GitHub 额外两年的变化，并把文件内容直接内嵌进数据集，下载后即可自包含训练。
- 发布方强调它会让代码模型预训练更开放、可复现、透明。
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)→
「研究」频道最新
- 3D ResNet 论文八年突破 3000 引用，Kinetics 数据集成里程碑 — HirokatuKataoka · 2026-09-11
- 把数据调度变成优化的一部分：样本选择与排序影响 LLM 训练 — Puzzleheaded_Box2842 · 2026-09-11
- Jeff Heaton《神经网络数学导论》开放免费完整下载 — blaizedsouza · 2026-09-11
- 数学家 Daniel Litt 上线问题库,15 题仅 1 题被解,用来追踪 AI 解题进度 — littmath · 2026-09-11
- AI 智能体协作优化 secp256k1 量子电路,挑战打破 ECDSA — StefanoGogioso · 2026-09-11
- Alex Townsend 汇编 200 个数值线性代数开放问题，供人类与 AI 攻关 — IgorCarron · 2026-09-11