The Stack : jeu de données de code source
The Stack est un grand jeu de données de code source sous licences permissives du projet BigCode, couvrant des centaines de langages de programmation. Il est très utilisé pour pré-entraîner et évaluer les modèles de génération de code, avec des mécanismes d'opt-out et des outils de déduplication pour des pratiques responsables.
Aperçu
« The Stack : jeu de données de code source » est une ressource de type « Jeu de données » sélectionnée par AI Resource Hub, classée dans la catégorie Jeux de données et adaptée aux apprenants de niveau Avancé. Elle est fournie par BigCode, a été mise à jour pour la dernière fois le 2026-06-22 et affiche une note éditoriale de 4.5/5 attribuée par notre équipe. Cliquez sur « Visiter la ressource » à droite pour ouvrir la page d’origine.
Notre verdict
The Stack est le corpus de départ par défaut pour qui entraîne ou évalue des modèles de code : une collection énorme sous licences permissives, couvrant langages majeurs et de niche, déjà fondatrice pour le domaine. Traitez-le comme une matière industrielle, pas comme un actif à télécharger et utiliser tel quel. Vous devez filtrer les licences avant tout entraînement commercial, auditer les problèmes résiduels et prévoir stockage et calcul sérieux pour son volume complet. Pour la recherche et le pré-entraînement, il est presque indispensable ; pour expérimenter à la légère, des jeux plus petits et currés sont plus cléments.
Étiquettes
Fonctionnalités clés
- ▹Un vaste corpus de code source
- ▹De nombreux langages de programmation
- ▹Utilisé pour entraîner des modèles de code
Idéal pour
- ▹Pré-entraînement de modèles de code sur des centaines de langages
- ▹Code source massif sous licences permissives
- ▹IA responsable avec opt-out et déduplication
Peu adapté à
- ▪Équipes exigeant des garanties d'hébergement commercial
- ▪Données d'entraînement en langage naturel sans code
Avantages
- +Fondamental pour les LLM de code
- +Une large couverture de langages
- +Données d’entraînement fondatrices pour les modèles de code
Inconvénients
- −Le filtrage par licence est essentiel
- −Le filtrage des licences est essentiel avant usage
- −Le volume énorme exige stockage et calcul sérieux
FAQ
Détails
- Tarifs
- Jeu de données gratuit et ouvert
- Auteur
- BigCode
- Note éditoriale
- ★ 4.5 / 5
- Dernière mise à jour
- 22 juin 2026