23 июля 2026 г.
Учить свою код-модель теперь есть на чём: The Stack v3 отдаёт 5T токенов
23 июля 2026 вышел The Stack v3: 5T токенов кода после дедупликации. В сыром виде это 114 TB и 224M репозиториев. В том же выпуске Black Forest Labs показала FLUX 3 - одну модель на изображение, видео, звук и предсказание действий, с переносом в робототехнику через FLUX-mimic на одной GPU. Alibaba выкатила Qwen-Audio-3.0-TTS на 16 языков и заявила первое место в TTS-рейтинге Artificial Analysis.
Почему это важно: Открытые код-модели до сих пор упирались в объём данных: корпус такого размера собирала себе лаборатория с деньгами, а наружу он не выходил. Теперь его выложили открыто, и авторы называют The Stack v3 самым большим открытым датасетом кода. Арифметика дедупликации простая: из 114 TB сырья осталось 5T токенов. Тот же выпуск фиксирует спор о дистилляции и требование вкладываться в свои open-weight модели: без собственных данных такая модель не собирается. Про лицензии, фильтры и условия доступа в анонсе не сказано ни слова.
Не хотите разбираться сами? Внедряем ИИ в ваш бизнес: задачи без лимита, одна цена в месяц, отмена в любой момент.
Что дальше: Проверить, попали ли ваши репозитории в эти 224M и на каких условиях: это первый вопрос до любого обучения на The Stack v3. Дальше - взять срез по своему языку и сравнить его объём с корпусом, на котором училась ваша текущая модель.
Первоисточник