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
- 层级连续流语言模型让路径级 RL 更能抵御 critic 利用 — vxnuaj · 2026-10-27
- rauchg 复现 OpenAI 发现：无网络微VM 也能借 CPU 争用 covert 通信 — ccerrato147 · 2026-10-27
- 微软研究院：ForkPilot 让 Agent 决策回溯的算力开销最高降 59% — EliasEskin · 2026-10-27
- 微软发布 TeleTune：从离线遥测数据自动演化 Computer-use Agent 技能 — EliasEskin · 2026-10-27
- FlexGlue:稀疏到稠密特征匹配，速度与精度兼得并可甄别误配图像对 — zhenjun_zhao · 2026-10-27
- PixGR:像素空间生成式解码加速前馈 3D 重建，稀疏视角下超越回归方法 — zhenjun_zhao · 2026-10-27