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 史上最大开源代码数据集(13 条相关)→
「研究」频道最新
- MissionReport 基准：540 份政府任务报告仅 3 份全达标 — Exp_Mark · 2026-10-27
- Finch 1 发布：用 50+ 种传感器影像训练的通用地理空间基础模型 — Scobleizer · 2026-10-27
- Skyfall AI 推出工程世界模型 SKY-001:文本转 CAD 构建,3.9 秒 vs GPT-6 的 199 秒 — rohanpaul_ai · 2026-10-27
- 物理学家让 AI 自选课题：两小时产出可登顶刊的论文 — burny_tech · 2026-10-27
- 研究者谈评测集透明度:组合性评测仍存数据污染隐患 — najoungkim · 2026-10-27
- 可解释性研究该分清形式与估计器：均值差转向不如直接梯度下降 — johnhewtt · 2026-10-27