数据集简介
The Stack v2 训练集（完整ID版本）是由 BigCode 团队发布的大规模代码数据集，主要用于代码生成、代码理解等大语言模型的预训练。
主要用途
- 代码模型预训练：为训练代码生成、补全、翻译等任务的AI模型提供海量数据。
- 代码分析研究：支持代码质量评估、代码克隆检测、编程语言特性分析等研究。
数据类型/模态
- 主要模态：文本（代码文本）
- 数据格式：表格（Tabular），以 Parquet 格式存储
- 内容：包含大量开源代码文件，涵盖多种编程语言。
规模与统计
- 数据量：约 6052 万行数据
- 下载量：544 次
- 受欢迎度：获得 58 个点赞
使用场景
- 训练或微调专用于代码任务的生成式AI模型。
- 作为代码语料库，用于软件工程领域的实证研究。
- 构建代码检索或代码推荐系统的基础数据集。