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
- Latent-Foresight:让世界模型学着预判自己的未来 — abursuc · 2026-10-27
- 英国 AISI 发文：现有手段不足以防生物 AI 工具被滥用 — davidmanheim · 2026-10-27
- CMU 发布 XYBench:LLM 只答字面问题,常无视用户真实需求 — valentina__py · 2026-10-27
- arXiv 前主席提示:投稿主分类选错,论文几乎必被搁置 — tdietterich · 2026-10-27
- arXiv 积压超 4000 篇论文被搁置，版主致歉并给出避坑建议 — tdietterich · 2026-10-27
- 72 张实拍图训练 MOSS 锐度滑块 LoRA,权重 1 到 -1 调焦 — aoleg77 · 2026-10-27