The Stack v3 成最大开源代码数据集：114TB、5T tokens
anton_lozhkov · x · 2026-07-24
The Stack v3 发布，号称是目前最大的开放代码数据集，用于训练和分析的开源语料库进一步扩容。
- 规模上，v3 原始数据达到 114 TB，处理后约 15.9 TB，去重和过滤后约 5T tokens。
- 覆盖 770 种语言、2.24 亿个仓库，并明确不包含限制性许可证代码。
- 相比 v2，v3 不仅纳入了更多近两年的开源代码，还修复了 v2 去重中的一个 bug。
- 文中还提到不同语言的占比明显变化，比如 C++、TypeScript、Rust、Python，以及连 COBOL 的覆盖都更高了。
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