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
- AlphaFold 背后是五十年实验数据，纯第一性原理仿真仍需实验 — vishalmisra · 2026-10-26
- Fern 团队提出「上下文即智能」:预测精度随上下文增至 1000 万 token 持续提升 — bneyshabur · 2026-10-26
- 研究者发现「Forking」现象：训练损失下降验证损失反升 — ZimingLiu11 · 2026-10-26
- DeepMind 试点全球首个双盲 AI 评测，密码学隔离防基准污染 — scychan_brains · 2026-10-26
- 研究揭示合成数据最优比例随算力从10%升至32% — heghbalz · 2026-10-26
- FLASH 仿真框架：单卡 RTX 5090 上分钟级学会布料折叠 — ChongZzZhang · 2026-10-26