Models · Data · 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。
| 来源 | BigCode |
|---|---|
| 规模 | 约 3TB 去重代码 / 300+ 语言 |
| 语言 | 多语言代码 |
| 格式 | JSONL / Parquet |
| 许可 | MIT(数据集打包);代码随原仓库 |
| 商用 | 需逐仓核对代码许可 |
| 获取 | 需接受条件后下载 |
| 任务适配 | 代码预训练 / 代码检索 |
| 核验日 | 2026-11-19 |
质量与偏差
从公开 GitHub 仓库抽取并去重,附许可与仓库元数据。
使用边界
代码许可混杂,含 copyleft 与无许可仓库;训练与分发前必须过滤。
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/the-stack · 核验日 2026-11-19 · 许可以来源页为准