The Stack v2
Największy otwarty zbiór kodu, jaki kiedykolwiek zebrano: 900 miliardów tokenów w ponad 600 językach programowania pozyskanych z GitHuba, z mechanizmem rezygnacji dla deweloperów. Zasila StarCoder2 i jest podstawowym korpusem pretreningowym dla modeli kodujących. Zawiera repozytoria na permisywnych licencjach, po deduplikacji i deduplikacji przybliżonej.
from datasets import load_dataset
ds = load_dataset("bigcode/the-stack-v2")Podgląd przykładowego wiersza
{
"content": "def binary_search(arr, target):\n left, right = 0, len(arr) - 1\n while left <= right:\n mid = (left + right) // 2\n if arr[mid] == target:\n return mid\n elif arr[mid] < target:\n left = mid + 1\n else:\n right = mid - 1\n return -1",
"lang": "Python",
"license": "MIT"
}Najczęstsze pytania
Czy mogę użyć The Stack v2 komercyjnie?
Najpierw sprawdź warunki — The Stack v2 jest dystrybuowany na licencji „Various (per-file)" (niestandardowej lub mieszanej). Przeczytaj uważnie kartę zbioru przed użyciem w produkcie komercyjnym.
Ile danych zawiera The Stack v2 i czy potrzebuję wszystkich?
The Stack v2 zawiera 900B Tokens. Rzadko potrzebujesz całości: do fine-tuningu stylu i formatu wystarcza kilkaset–kilka tysięcy przykładów — załaduj wycinek (np. split="train[:1000]") i zwiększaj skalę tylko, gdy jakość przestaje rosnąć.
Do czego The Stack v2 nadaje się najlepiej?
Pretraining code models across 600+ programming languages. Należy do sekcji „Kod" naszego centrum zbiorów danych, gdzie znajdziesz alternatywy i zbiory komplementarne.