@github: 为你下一次构建打造的全新开源数据集。GitHub多语言仓库数据集涵盖4000万+仓库和8000万+分类行…

X AI KOLs Following 工具
dataset open-source multilingual github repositories classification non-english

摘要

GitHub发布了多语言仓库数据集，涵盖超过4000万个仓库和8000万条分类记录，提供了对非英语README、问题和拉取请求的洞察。韩语在问题文本中领先，而葡萄牙语在README中占据首位。

为你的下一个构建提供的新开源数据集。📊 GitHub多语言仓库数据集涵盖4000万+仓库和8000万+分类行，显示了非英语README、问题和拉取请求的分布。 韩语在问题文本中领先；葡萄牙语在README中占据首位（300万+仓库）。
查看原文
查看缓存全文

缓存时间: 2026/07/11 09:25

为您的下一个项目提供新的开源数据集。📊

GitHub 多语言仓库数据集涵盖超过4000万个仓库和8000多万条分类记录，展示了非英语的README、议题和拉取请求的分布情况。

韩语在议题文本中占比最高；葡萄牙语在README中占比最高（超过300万个仓库）。

相似文章

RedBench：大型语言模型综合红队测试通用数据集

arXiv cs.CL

RedBench 引入了一个通用数据集，聚合了 37 个基准数据集，包含 29,362 个样本，涵盖 22 个风险类别和 19 个领域，用于实现大型语言模型的标准化和综合红队测试评估。该工作解决了现有红队测试数据集中的不一致问题，并提供了基准、评估代码和开源资源，用于评估 LLM 对对抗提示的鲁棒性。