训练代码模型，像给学生准备一座程序仓库：同一份代码抄了几十遍、文件质量参差不齐，甚至夹着姓名和邮箱，都会影响它学到什么，也带来记忆与隐私风险。The Stack v3把重点放在这层“教材”上。据发布信息，新版提供两个入口，让训练者在开箱即用与自行清洗之间选择。
stack-v3-train是处理好的训练版：做了近似去重——删除相同或高度相似的文件，并加入质量过滤和PII脱敏；PII指姓名、邮箱、电话号码等可识别个人身份的信息。代码内容直接放在数据集中，可用Hugging Face的load_dataset加载。另一套stack-v3-full则保留完整的114 TB语料，包括所有重复文件及其聚类编号，并为被排除文件留下记录。研究者因此可以自己决定如何去重、过滤和混合不同子集。值得注意的是，目前材料来自社区帖子转述的发布信息，未披露各项清洗规则、语言构成及其对模型训练效果的具体影响。