跳到主要内容Skip to main content

Models · Data · Code & domain

代码与领域

代码、医学、法律等专业语料;逐仓/逐篇核对许可。 这一页收 3 张卡;点进单卡看许可、规模、任务适配与使用边界。

代码与领域

The Stack

从公开 GitHub 仓库抽取并去重,附许可与仓库元数据。

规模
约 3TB 去重代码 / 300+ 语言
许可
MIT(数据集打包);代码随原仓库
获取
需接受条件后下载

代码许可混杂,含 copyleft 与无许可仓库;训练与分发前必须过滤。

看数据卡 →
代码与领域

StarCoderData

StarCoder 系列所用代码语料,语言覆盖广,附去重与许可过滤记录。

规模
约 2,500 亿代码 token / 80+ 语言
许可
Apache-2.0(数据集打包);代码随原仓库
获取
直接下载

数据集打包许可不等于代码许可;生成代码的许可证继承问题要单独评估。

看数据卡 →
代码与领域

PubMedQA

从 PubMed 摘要构造的是/否/不确定问答,适合做医学文献检索问答的基线。

规模
约 27.3 万条生物医学问答
许可
MIT
获取
直接下载

不是临床指南,不能用于诊断建议;专业用途要另行核对最新文献与监管要求。

看数据卡 →