Datasets:

openbmb
/

UltraData-Code

UltraData-Code 是基于 UltraData L0-L4 分级治理体系的一次完整实现，覆盖 L0 至 L3 的分级代码数据，各层对应不同的数据构建阶段。流水线从 L0 约 1.92 亿 个公开 GitHub 仓库出发；本次发布包含 11 种编程语言上的 UltraData-Code-L2（约 400B tokens）和 UltraData-Code-L3（约 150B tokens）。

L0：仓库归档层。 从约 1.92 亿个公开 GitHub 仓库中保留默认分支上的最新版本，以及相应的代码、目录结构、文件关系和来源信息，为后续处理提供完整的原始数据和溯源记录。

L1：规范化自然代码层。 在 L0 基础上进行规模化过滤清洗、格式规范化和近重复去重。通用规则排除过大文件、无效路径、不支持的文本和明显异常内容。随后根据语言和文件类型执行针对性的质量检查、归一化与内容清理。去重阶段按文件扩展名划分数据分区，使用 MinHash 生成签名并通过 LSH 检索候选近重复文件。相似度边用于构建连通分量。对于包含多个近重复文件的文件组，保留排名靠前的 50%。未发现近重复项的文件全部保留，最终形成标准化的自然代码语料。

L2：算法相关代码精选层。 面向 11 种编程语言，从 L1 中筛选算法相关代码（ALGO）。系统为每个文件预计算语义 embedding。文件角色标注与语言相关启发式规则共同构成双重监督信号。基于 MLP 的算法相关性分类器学习连续相关性分数，再结合文件角色分类和代码质量阈值完成最终选择。该方法不仅覆盖主要实现算法和数据结构的 ALGO 文件，也能识别 DATA、WEB、TOOL 和 TEST 等其他文件角色中的计算过程与问题求解逻辑。L2 规模约为 400B tokens，保留 L1 中约 12.23% 的文件。在相同的 1B 基座模型和 10B-token 持续预训练预算下，L2 相比 L1 在 EvalPlus 和 MultiPL-E 上分别提升 7.80 和 5.13 个百分点，相比 Stack-Edu 分别提升 4.37 和 3.05 个百分点。

L3：任务导向合成层。 以 L2 中 ALGO 类别数据为种子，进行任务导向的结构化合成，构造独立任务描述、解题分析、参考实现和测试代码。生成的任务脱离原始代码片段独立成立。分析部分解释算法、边界情况和复杂度。参考实现提供自包含的可执行代码。测试代码验证任务所要求的行为。每个真实实现由此转化为任务、推理、代码和验证相互对齐的结构化训练样本。L3 覆盖 11 种编程语言，规模约为 150B tokens。在相同的 1B 基座模型和 10B-token 持续预训练预算下，将一半 L2 训练 token 替换为 L3 后，模型在 EvalPlus 和 MultiPL-E 上较仅使用 L2 的训练分别进一步提升 8.42 和 8.07 个百分点。在相同的 1:1 等 token 配比下，L2-L3 混合训练模型相比 L2 与 CodeAlchemy-code-qa 的混合训练模型，在 EvalPlus 和 MultiPL-E 上分别提升 5.57 和 7.80 个百分点。

📢 最新动态

[2026.09.07] UltraData-Code 数据集正式发布！这是 UltraData L0-L4 分级治理体系的完整实现，覆盖 L0 至 L3 四个代码数据状态，各层对应不同的数据构建阶段。本次开源 L2（约 400B tokens）和 L3（约 150B tokens），覆盖 11 种编程语言。🚀🚀🚀
[2026.09.07] MiniCPM5-2B 正式发布！ 作为 MiniCPM5 系列在 MiniCPM5-1B 之后的第二款模型，这是一款沿用同一套训练配方放大的 2B 稠密 Transformer，面向端侧、本地部署与资源受限场景，达到 2B 级开源 SOTA，整体可与 4B 级模型竞争，并在代码、数学、长上下文、工具调用与 Agent 任务上相对同规模模型更具优势。UltraData-RL-2609 是 MiniCPM5-2B 的核心 RL 数据。🚀🚀🚀
[2026.02.08] UltraData 平台正式上线，并发布 L0-L4 分级数据管理框架。🔍🔍🔍

💡 亮点

摘要： 代码生成是大语言模型的核心能力，代码数据是培养该能力的预训练过程的重要组成部分。随着代码语料规模不断增长，其规模、多样性和质量日益决定模型在预训练中学习到的能力。遵循分级数据治理视角，我们将 UltraData-Code 构建为四个相互连接的数据状态：L0 仓库归档、L1 规范化自然代码、L2 算法相关性精选和 L3 面向任务的合成。L0 保留每个公开 GitHub 仓库默认分支的最新版本及其文件结构、文件关系和来源信息。L1 通过规模化过滤、规范化和近重复去重得到标准化自然代码。L2 基于文件角色、语言自适应启发式信号和代码质量约束，从 L1 中筛选算法相关文件，覆盖 11 种编程语言、约 400B tokens。L3 以 L2 中的算法相关文件为基础，将每个实现转换为任务、分析、解答和测试字段对齐的结构化编程练习，覆盖相同的 11 种语言、约 150B tokens。在相同的 1B 模型和 10B-token 持续预训练设置下，使用 L2 替代 L1 后，EvalPlus 的 pass@1 提升 7.80 个百分点，MultiPL-E 提升 5.13 个百分点，相比 Stack-Edu 分别提升 4.37 和 3.05 个百分点。将一半 L2 训练 token 替换为 L3 后，相比仅使用 L2 的训练，EvalPlus 进一步提升 8.42 个百分点，MultiPL-E 进一步提升 8.07 个百分点，相比最强的合成数据基线分别提升 5.57 和 7.80 个百分点。

完整的代码数据构建流水线： 将仓库归档和规范化自然代码与细粒度精选、结构化合成连接起来，在 11 种编程语言上分别形成约 400B tokens 的 L2 和约 150B tokens 的 L3。
细粒度算法相关代码精选： 将文件级算法相关性定义为选择目标，结合文件角色线索与语言特定启发式证据，识别超出显式算法实现标签范围的计算内容。
面向任务且以实现为基础的合成： 以每个精选实现作为任务、分析、解答和测试记录的共同来源，在保留计算意图的同时补充任务语义和结构化监督。

📈 评测结果

10B-token 对比均使用相同的 1B 基座模型、模型架构、优化设置、预处理、去污染流程和评测协议。

Python 结果

算法相关性精选带来最强的自然代码结果。 UltraData-Code-L2-py 的 EvalPlus 平均 pass@1 比 UltraData-Code-L1-py 提升 17.91 个百分点，比 Stack-Edu-py 提升 8.46 个百分点。Ultra-Stack-v3-py 在自然代码设置中取得第二高的平均分，而 UltraData-Code-L2-py 在自然代码设置中取得最高平均分。
结构化合成提升等 token 混合训练效果。 UltraData-Code-L2-py 与 UltraData-Code-L3-py 的等 token 混合训练平均 pass@1 达到 46.43，比仅使用 L2 高 3.30 个百分点，比对应的 L2 + SwallowCode-v2 混合训练高 4.46 个百分点。

多语言结果

L2 精选优于自然代码基线。 UltraData-Code-L2 相比 UltraData-Code-L1 在 EvalPlus 和 MultiPL-E 上分别提升 7.80 和 5.13 个百分点，相比 Stack-Edu 分别提升 4.37 和 3.05 个百分点。
L3 合成带来进一步提升。 将一半 L2 训练 token 替换为 L3 后，相比仅使用 L2 的训练，EvalPlus 和 MultiPL-E 分别提升 8.42 和 8.07 个百分点。在相同的 1:1 token 配比下，UltraData-Code-L2-L3 混合训练相比最强的已报告合成数据基线，两个基准分别提升 5.57 和 7.80 个百分点。
优势在规模扩展中持续存在。 在 100B tokens 训练规模下，L2-L3 混合训练在 EvalPlus 和 MultiPL-E 上分别达到 57.06 和 39.54，相比仅使用 L2 的训练分别高 10.11 和 12.39 个百分点，相比对应的 CodeAlchemy-code-qa 混合训练分别高 10.86 和 9.60 个百分点。

🧾 数据格式

UltraData-Code-L2

每行对应一个精选源代码文件，字段包括：

uuid：文件唯一标识。
repo_name：来源仓库名称。
relative_path：相对仓库根目录的文件路径。
content：代码文本。
category：预测的文件角色，如 ALGO、WEB、TOOL、DATA、TEST、CONFIG 或 EXCLUDE。
algo_rel_score：算法相关性分数，范围为 [0, 1]。
quality_score：代码质量分数，范围为 [0, 10]。

UltraData-Code-L3

每行是一个基于真实实现构建的编程练习，字段包括：

uuid：文件唯一标识。
content：序列化后的训练文本。
content_format：content 的序列化格式。
raw_content：序列化前的原始生成记录。
task：独立任务描述。
analysis：算法、边界情况与复杂度分析。
solution：自包含参考实现。
test：生成的测试候选。
full_content：包含全部生成字段的序列化文本。
full_content_format：full_content 的序列化格式。

❤️ 致谢

UltraData-Code-L2 使用 Qwen3-Embedding-0.6B 计算文件级语义 embedding。

感谢这些优秀开源工作，正是开源社区的贡献让 UltraData-Code 成为可能！🙌

💳 许可与数据来源

本项目按 Apache 2.0 许可证发布。UltraData-Code 来自多个公开代码仓库中的代码（L2），以及基于这些文件生成的任务记录（L3）。使用者还须遵守各源仓库的 LICENSE。Apache 2.0 不会覆盖或取代这些条款。

仓库公开可访问不等于授予再分发、商用或训练许可。权利人可通过数据集页面的联系方式申请移除。

本数据集不应包含明文密钥或未经授权的个人数据。如发现敏感内容或需要下架，请通过同一渠道报告。

禁止未经授权的原样转载： 未经原作者（或本组织）事先书面许可，任何机构、组织或第三方平台严禁以任何形式直接转载、镜像、重新托管，或对项目产物进行商业化重新包装后再发布。

📖 引用

如果 UltraData-Code 对您的研究有帮助，请考虑引用：

@misc{ultradata_code,
  title        = {{UltraData-Code}: From Raw Repositories to
Algorithmically Dense and Task-Oriented Code Data},
  author       = {Chengying Tu and Hengyu Zhao and Shuaikang Xue and Zhongming Qu and Jihao Zhou and Xinle Lin and Junshao Guo and Zixuan Fu and Qiang Ma and Jie Zhou and Chaojun Xiao and Hongfei Yan and Yudong Wang and Xu Han and Zhiyuan Liu and Maosong Sun},
  year         = {2026},
  publisher    = {Hugging Face},
  howpublished = {\url{https://huggingface.co/datasets/openbmb/UltraData-Code}}
}