跳到主要内容Skip to main content

Models · Data · 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。

来源BigCode
规模约 2,500 亿代码 token / 80+ 语言
语言多语言代码
格式JSONL
许可Apache-2.0(数据集打包);代码随原仓库
商用需逐仓核对代码许可
获取直接下载
任务适配代码预训练 / 代码补全
核验日2026-11-19

质量与偏差

StarCoder 系列所用代码语料,语言覆盖广,附去重与许可过滤记录。

使用边界

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。

下一步

  • 打开来源页,下载数据集卡与许可原文,确认版本与获取条件。
  • 先抽 100–500 条样本做质量、语言与敏感内容抽检,再决定是否进训练管线。
  • 如果用于 RAG 或 SFT,先读 RAG 语料怎么选 / SFT 数据怎么配比。
来源:https://huggingface.co/datasets/bigcode/starcoderdata · 核验日 2026-11-19 · 许可以来源页为准