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
- Chelsea Finn：机器人 RL 的瓶颈是物理 rollout 成本 — ycombinator · 2026-07-27
- ICML 2026 口头论文复现分数重算后仍偏中等 — profjamesevans · 2026-07-27
- 长周期智能体最终需要不可变事件日志 — sebpaquet · 2026-07-27
- Seed IQ 在 Doom II 里通关，引出 ARC-AGI 之后的评测问题 — Fit_Transition8824 · 2026-07-27
- 实测智能体数据科学工作流：代码能跑但常答错问题 — hugobowne · 2026-07-27
- 一份横跨 ML、系统、NLP 与音频的经典论文清单 — deliprao · 2026-07-27