数据集高级
The Stack 源代码数据集
The Stack 是 BigCode 项目推出的大规模宽松许可源代码数据集，涵盖数百种编程语言。它广泛用于代码生成模型的预训练与评估，并提供退出机制和去重工具，支持负责任的数据实践。
资源概览
《The Stack 源代码数据集》是 AI Resource Hub 收录的一份「数据集」类资源，归属 数据集 分类，适合高级水平的学习者。该资源由 BigCode 提供，最近更新于 2026-06-22，本站编辑评分为 4.5/5。点击右侧「访问资源」可前往原始页面。
编辑结论
The Stack 是训练或评估代码模型者的默认起步语料：一个体量庞大、宽松许可、兼顾主流与小众语言的合集，早已是本领域的基石。请把它当作工业原料，而非下载即用的资产。商用训练前必须做许可过滤，并审计残留问题；完整体量还需认真规划存储与算力。对研究和预训练而言，它几乎不可或缺；若只是随意试验，更小的精选集更友好。
标签
The Stack代码数据集BigCode
核心特性
- ▹大型源代码语料库
- ▹多种编程语言
- ▹用于训练代码模型
适合谁用
- ▹覆盖数百语言的代码生成模型预训练
- ▹大规模宽松许可源代码
- ▹带退出与去重工具的负责任 AI
不适合谁
- ▪需要明确商用托管保障的团队
- ▪非代码类自然语言训练数据
优点
- +代码 LLM 的基础
- +语言覆盖广
- +代码模型的基础训练数据
不足
- −许可过滤很重要
- −使用前必须做许可过滤
- −体量巨大，需可观的存储与算力
常见问题
访问资源 →
基本信息
- 价格
- 免费 / 开放数据集
- 作者
- BigCode
- 编辑评分
- ★ 4.5 / 5
- 最近更新
- 2026年6月22日