The Stack: conjunto de datos de código fuente
The Stack es un gran dataset de código fuente con licencias permisivas del proyecto BigCode, que cubre cientos de lenguajes de programación. Se usa ampliamente para preentrenar y evaluar modelos de generación de código, e incluye mecanismos de opt-out y herramientas de deduplicación para prácticas de datos responsables.
Descripción general
"The Stack: conjunto de datos de código fuente" es un recurso de tipo "Conjunto de datos" seleccionado por AI Resource Hub, clasificado en la categoría Datasets y adecuado para estudiantes de nivel Avanzado. Lo proporciona BigCode, se actualizó por última vez el 2026-06-22 y tiene una puntuación editorial de 4.5/5 de nuestro equipo. Haz clic en "Visitar recurso" a la derecha para abrir la página original.
Nuestro veredicto
The Stack es el corpus de partida por defecto para quien entrena o evalúa modelos de código: una colección enorme, con licencias permisivas, que abarca desde lenguajes mayoritarios hasta de nicho, y ya es fundacional para el campo. Trátalo como material industrial, no como un activo para descargar y listo. Debes filtrar licencias antes de entrenar modelos comerciales, auditar problemas residuales y presupuestar almacenamiento y cómputo serios para su volumen completo. Para investigación y preentrenamiento es casi imprescindible; para experimentar por casualidad, conjuntos más pequeños y curados son más amables.
Etiquetas
Características clave
- ▹Un gran corpus de código fuente
- ▹Muchos lenguajes de programación
- ▹Usado para entrenar modelos de código
Ideal para
- ▹Preentrenamiento de modelos de código en cientos de lenguajes
- ▹Código fuente con licencias permisivas a gran escala
- ▹IA responsable con opt-out y deduplicación
No ideal para
- ▪Equipos que necesitan garantías de hosting comercial
- ▪Datos de entrenamiento de lenguaje natural sin código
Ventajas
- +Fundacional para los LLM de código
- +Cobertura amplia de lenguajes
- +Datos de entrenamiento fundacionales para modelos de código
Desventajas
- −El filtrado por licencias es clave
- −El filtrado de licencias es esencial antes de usarlo
- −El volumen enorme exige almacenamiento y cómputo serios
Preguntas frecuentes
Detalles
- Precios
- Dataset gratuito y abierto
- Autor
- BigCode
- Puntuación editorial
- ★ 4.5 / 5
- Última actualización
- 22 jun 2026