GitHub 发布 Github Code Clean 数据集, 应用在 编程语言、机器学习 领域

GitHub 本次发布的数据集 Github Code Clean, 该数据集是从GitHub收集的经过清洗的代码，为了提升模型训练的质量和多样性，进行了精细的筛选处理。在保证数据质量方面，数据集经过了严格的去重和过滤，剔除了低质量的代码以及包含敏感信息和个人识别信息的内容。该数据集涵盖了116种编程语言的代码，适用于代码生成、代码修复、代码解释以及其他与代码相关的任务。

查看Github Code Clean

Dataset card 内容： 

Files and versions 内容： 

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。