UltraData-Code

中文简介

UltraData-Code 按 L0 至 L3 组织代码数据构建过程，本仓库主要发布 L2 与 L3 数据，卡片分别描述约 400B、150B token，覆盖 11 种编程语言。

适用场景

适合代码预训练与数据质量分层研究，按语言和层级选择数据。

规模与格式

选型方向：预训练与后训练数据。固定上游版本：85182d829f2ce7ea07cca72ebfc509deea1d9f5f。API 任务字段：text-generation。API 语言字段：en, zh。上游最近更新时间：2026-09-07（不一定为首次发布日期）。 规模、子集和组件差异见本页简介及注意事项；API 标签与卡片正文的含义分别保留。

文件说明

上游 API 返回 1131 个文件，文件元数据合计 1.11 TB。 已保存文件清单中的主要扩展名：.parquet 93 个、.png 6 个、无扩展名 1 个。 当前较大的文件包括：data/UltraData-Code-L2/cs/UltraData-Code-L2-cs-part-00023-of-00050.parquet（1.04 GB）；data/UltraData-Code-L2/cs/UltraData-Code-L2-cs-part-00028-of-00050.parquet（1.04 GB）；data/UltraData-Code-L2/cs/UltraData-Code-L2-cs-part-00019-of-00050.parquet（1.04 GB）。 仓库文件较多，本站仅保存前 100 条文件元数据；完整清单请查看上游仓库。 此处只统计当前 Git 仓库的文件元数据，不包含外部链接、Bucket 或另行申请的完整集合。

上游文件元数据

以下仅为 Hugging Face 官方 API 返回的文件名与大小元数据，官网没有下载或托管这些文件。

• .gitattributes2.45 KB
• assets/multilingual-training-dynamics.png101.86 KB
• assets/multilingual_results.png206.75 KB
• assets/python-training-dynamics.png173.48 KB
• assets/python_results.png186.12 KB
• assets/ultradata-code-l0-l3-overview.png2.90 MB
• assets/ultradata-code-logo.png7.07 KB
• data/UltraData-Code-L2/cpp/UltraData-Code-L2-cpp-part-00001-of-00031.parquet989.39 MB
• data/UltraData-Code-L2/cpp/UltraData-Code-L2-cpp-part-00002-of-00031.parquet992.08 MB
• data/UltraData-Code-L2/cpp/UltraData-Code-L2-cpp-part-00003-of-00031.parquet994.00 MB
• data/UltraData-Code-L2/cpp/UltraData-Code-L2-cpp-part-00004-of-00031.parquet992.93 MB
• data/UltraData-Code-L2/cpp/UltraData-Code-L2-cpp-part-00005-of-00031.parquet996.49 MB

文件较多，本页只展示前 12 项；完整信息以上游仓库为准。

硬件建议

先确定配置、split、模态及文件范围，按原始文件、解压产物、缓存与处理副本分别估算磁盘。视频、音频和图像数据还需对应解码工具；建议先用少量样本验证 schema、时间同步与数据处理流程。

注意事项

约 1.92 亿仓库是源池规模，不代表本站或本仓库完整交付这些原始仓库；各代码来源的原始许可仍需检查。

获取、校验与交付

咨询此资源时只需发送本页链接或资源准确全称。橙子AI科技会继续核对版本、文件与类型、README资料卡、许可证和访问条件，并在合法访问权限、许可证及平台规则允许的前提下，协助海内外下载、完整性校验及网盘或硬盘交付；本官网本身不托管或下载资源文件。

• 数据集获取、核对与国内交付服务
• 数据集怎么下载：版本、分片、许可证与完整性校验
• 企业和高校批量获取模型与数据集：只需链接或准确全称
• 100GB、1TB 以上模型如何用网盘或硬盘交付