Hugging Face 发布 114TB 开源代码数据集 The Stack v3
Nunki08 · reddit · 2026-07-24
Hugging Face 发布了 The Stack v3，称其为目前最大的开源代码数据集之一。
- stack-v3-train 是近去重、质量过滤、PII 脱敏后的版本，可直接用 loaddataset 加载。
- stack-v3-full 则把完整的 114 TB 语料作为 HF Storage Bucket 公开，保留重复样本和 cluster IDs，方便用户自行做去重、过滤和混合。
- 这次发布把“可直接训练的整理版”和“可自行加工的原始大仓库”两种入口都给到了研究者和工程团队。
所属事件:Hugging Face 发布 The Stack v3：114TB 数据打造最大开源代码集(13 条相关)→
「研究」频道最新
- FinanceComplexQA 发布 2026 题金融文档推理基准 — Beihang · 2026-07-24
- 微软研究院用 ReOPD 离线蒸馏多轮智能体 — MicrosoftResearch · 2026-07-24
- 动手学大模型教程仓库 GitHub 星标破 4.4 万 — Lordog · 2026-07-24
- Bifrost 号称 30 分钟把现场视频重建成仿真 3D 世界 — jnack · 2026-07-24
- Meta 新基准 GAMUT 专测长答案遗漏，最好模型仅 58.7% — rohanpaul_ai · 2026-07-24
- 15小时机器人视频训练出零样本世界模型 — jbhuang0604 · 2026-07-24