The Stack v1/v2（BigCode；含 StarCoder2）

内容与规模

BigCode 是 Hugging Face 与 ServiceNow 联合治理的项目。The Stack v1（2022-10）仅收宽松许可仓库，v1.1 起数据卡称 6TB+（常被引用为 6.4TB，⚠️ 数据卡未见该数字）；v2（2024-02）以 Software Heritage 归档为底，加入 PR、Kaggle notebook 和文档，约 67.5TB（去重后约 32.1TB）、600+ 语言 [1][2]。

许可与合规做法

宽松许可过滤、“Am I in The Stack”检查器、opt-out 机制：退出请求在后续版本中剔除（已发布版本不回溯）；v2 通过 SWHID 可追溯，批量下载需与 SWH/Inria 签协议 [1][2]。

谁拿它预训练

StarCoder、StarCoder2（3B/7B/15B，3.3–4.3T token）[3]。

局限

宽松许可仍有署名要求；针对 GitHub Copilot 的开源许可诉讼本文未核实 ⚠️。

来源

1. https://huggingface.co/datasets/bigcode/the-stack-v2 (2026-10-15)
2. https://www.bigcode-project.org/docs/about/the-stack/ (2026-10-15)
3. https://arxiv.org/abs/2402.19173 (2026-10-15)