The Stack v3: dataset de código com 5 trilhões de tokens

O que aconteceu e o que fazer

O The Stack v3 apresenta um dataset com cerca de 5 trilhões de tokens de código, distribuídos por 713 linguagens filtradas e 224 milhões de repositórios. O conjunto inclui o código-fonte diretamente e se baseia em uma nova coleta do GitHub concluída até agosto de 2025. O material indica treinamento e ajuste fino de modelos como usos possíveis.

Uma empresa que avalie treinar ou ajustar modelos com dados de código pode implementar um pipeline para ingestão, filtragem, controle de proveniência e preparação dos dados, além de avaliações para medir o comportamento do modelo nas tarefas internas. Antes do uso, também convém definir critérios de governança e revisão de direitos aplicáveis ao conjunto e aos resultados gerados.

Como a consultoria pode ajudar

A Wendelmaques pode diagnosticar a oportunidade e os riscos, definir o escopo de um pipeline de dados e avaliações e implementar e operar a solução na infraestrutura da empresa.

Próximo passo

Envie uma breve descrição do seu caso de uso e receba uma proposta com escopo para diagnóstico e implementação.