发生了什么
BigCode 发布 The Stack v3(114TB, 5T tokens)
为什么值得关注
该数据集是当前最大开放代码语料，且被广泛用于模型训练，v3 的规模和质量提升直接利好开源模型研发，值得关注其详细组成和使用方法。
信息来源
以下内容来自公开来源，可打开原文继续核验。
01
The Stack v3 发布：最大的开放代码数据集
BigCode 社区发布 The Stack v3，这是迄今最大的开放代码数据集，包含 114 TB 原始数据、15.9 TB 处理后数据、约 5T 去重 tokens，涵盖 770 种编程语言和 2.24 亿仓库，完全开放且无限制许可。相比 2024 年的 v2（68 TB raw / 550B tokens / 618 种语言），v3 在规模、语言覆盖和使用便利性上大幅提升，并重新爬取了截至 2025 年 8 月的最新 commit。
打开原始来源 ↗