The Stack v3 发布：114TB 开源代码数据集、约 5T token
soldni · x · 2026-07-24
The Stack v3 正式发布，作者称其是迄今最大的开放代码数据集：114 TB、770 种语言、2.24 亿个仓库，以及约 5T 的去重过滤后源码 token。
相比 v2 的升级
- v2（2024）：68 TB 原始数据，过滤后约 2 TB / 5500 亿 token，覆盖 618 种语言。
- v3（2026）：原始规模提升到 114 TB，语言扩展到 770 种，仓库数达到 2.24 亿。
- 说明中强调不包含受限制许可的代码。
这是一次明显的数据集规模跃迁，对开放代码预训练和代码研究都很重要。
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