inclusionAI 发布 Ling-Coder-Lite Source Code Data 数据集, 应用在 编程语言、机器学习 领域

inclusionAI 本次发布的数据集 Ling-Coder-Lite Source Code Data, 该数据集包含了跨越618种编程语言的优质源代码数据，经过筛选和整理，专门用于大型语言模型（LLM）的训练。数据集不仅包括原始源代码、与代码相关的文本，还包含了合成的问答数据。所有数据都经过标准化处理流程，以确保数据的质量和符合收录标准。该数据集的规模达到了1100亿个代码数据标记，旨在支持代码生成和理解的任务。

查看Ling-Coder-Lite Source Code Data

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。