返回数据集雷达

The Stack v2

★ 重点关注

The Stack v2

发布方 BigCode 发布 2024-02 规模 67TB / 658 lang
代码 单一数据集 全球 商用友好 code bigcode
访问 huggingface.co

来源描述

Software Heritage 全量代码语料，去毒去 PII，StarCoder2 训练基础

ODC-BY 1.0 + 各仓原 license 保留

HuggingFace 实测指标

bigcode/the-stack-v2 ↗
近 30 天下载
13.1K
点赞
674
最近更新
2026-08-03
HF 授权标签
other 需授权
code

训练阶段（本刊判断）

预训练 SFT

为什么值得盯

67TB / 658 种语言的代码语料，代码模型的供给侧底座。它最实际的问题是许可证：代码数据版权复杂，商用前必须按语言逐个核。

同领域 · 代码

CodeAlpaca-20K

Code 任务版 Alpaca-style 指令
Magicoder-OSS-Instruct-75K

OSS 真实代码片段 → seed 指令生成，多样性强
OctoPack-CommitPack

GitHub commit 语料，code-instruct 微调佳品
OpenCodeInterpreter Data

代码生成 + 执行反馈 + revision 多轮数据
AceCode-87K

test-case 验证过的高质代码 SFT，用于 RLVR

领域、训练阶段、用途、License 分级与本刊判断由本刊维护； 下载量 / 点赞 / 更新时间 / 实测规模来自 HuggingFace Hub 官方 API 与 datasets-server，每周自动刷新。 规模、许可证与商用授权最终请以 原站 为准。