Datasets:

openbmb
/

UltraData-Code

# UltraData-Code

<div align="center">
  <img src="assets/ultradata-code-logo.png" width="600" alt="UltraData-Code 标志"/>
</div>

<p align="center">
<a href="https://huggingface.co/collections/openbmb/ultradata">📦 UltraData 合集</a> |
<a href="https://ultradata.openbmb.cn/">🌐 UltraData</a> |
<a href="https://huggingface.co/collections/openbmb/minicpm5">🤗 MiniCPM5 系列</a> |
📖 技术报告（即将发布）|
<a href="https://huggingface.co/openbmb/UltraData-Code-L2-Classifier">🤗 UltraData-Code-L2 分类器</a>
</p>

<p align="center"><a href="https://huggingface.co/datasets/openbmb/UltraData-Code/blob/main/README.md">English</a> | 中文</p>

## 📚 简介

UltraData-Code 是基于 [UltraData](https://ultradata.openbmb.cn/) [L0-L4 分级治理体系](https://arxiv.org/pdf/2602.09003) 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**）。

<div align="center">
  <img src="assets/ultradata-code-l0-l3-overview.png" width="760" alt="UltraData-Code L0-L3 construction pipeline"/>
</div>

**L0：仓库归档层。** 从约 1.92 亿个公开 [GitHub](https://github.com/) 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：算法相关代码精筛层。** 面向 11 种编程语言，从 L1 中筛选约为 **400B tokens** 的算法相关代码。我们提出一种语言自适应筛选框架，将文件角色监督与语言特定启发式线索结合，学习超越显式 ALGO 文件的算法相关性。该框架在文件角色、算法相关性和代码质量模型之间复用预计算语义表征，最终结合角色与质量约束完成筛选。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。** 我们提出了一种结构化的合成协议，将 L2 选定的每个算法相关实现转换为编程练习，从而从同一源实现中共同生成独立的任务、分析、解决方案和测试用例。该变换在保留源代码计算意图的同时，为代码生成添加了明确的任务与解决方案监督。L3 覆盖相同的 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。

## 📢 最新动态

- **[2026.09.07]** [***UltraData-Code***](https://huggingface.co/datasets/openbmb/UltraData-Code) 数据集正式发布！这是 [UltraData](https://ultradata.openbmb.cn/) [L0-L4 分级治理体系](https://arxiv.org/pdf/2602.09003) 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](https://huggingface.co/openbmb/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***](https://ultradata.openbmb.cn/) 平台正式上线，并发布 [L0-L4 分级数据管理框架](https://arxiv.org/pdf/2602.09003)。🔍🔍🔍

## 💡 亮点

> **摘要：** 代码生成逐渐成为大语言模型的核心能力，而代码数据则是培养这一能力的预训练过程中的关键组成部分。随着代码语料规模不断增长，其规模、多样性与质量日益影响模型在预训练阶段习得的能力。遵循分级数据治理视角，我们提出 **UltraData-Code**，将其构建为由四个相互衔接的数据状态组成的数据家族：从 L0 的代码仓库归档，到 L1 的标准化自然代码、L2 的算法导向筛选，再到 L3 的任务导向合成。L0 归档每个公开 GitHub 仓库默认分支上的最新版本，并保留其文件结构、关联关系与来源信息。L1 通过可扩展的过滤、规范化与近重复去重，获得标准化自然代码。随后，L2 基于由文件角色与启发式规则构成的语言自适应信号，并结合代码质量约束，从 L1 中筛选与算法相关的文件，最终得到覆盖 11 种编程语言、规模约为 400B tokens 的 **UltraData-Code-L2**。L3 对 L2 中的算法文件实施任务导向合成，将每个实现转化为结构化编程练习，生成覆盖相同 11 种语言、规模约为 150B tokens 的 **UltraData-Code-L3**。在相同的 10B-token 持续预训练设置下，对一个 1B 模型使用 L2 而非 L1 进行训练，可使其在 EvalPlus 和 MultiPL-E 上的 pass@1 分别提高 **7.80 个百分点** 和 **5.13 个百分点**，同时分别超过 Stack-Edu 4.37 个百分点和 3.05 个百分点。将一半的 L2 训练 tokens 替换为 L3 后，相较于仅使用 L2 训练，模型在 EvalPlus 和 MultiPL-E 上可进一步提升 **8.42 个百分点** 和 **8.07 个百分点**，同时分别超过最强的合成数据基线 5.57 个百分点和 7.80 个百分点。当训练预算增加至 100B tokens 时，L2 筛选与 L3 合成在两个基准上的增益均进一步扩大。

- **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筛、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筛：** 我们提出一种语言自适应筛选框架，将文件角色监督与语言特定启发式线索结合，学习超越显式 ALGO 文件的算法相关性。该框架在文件角色、算法相关性和代码质量模型之间复用预计算语义表征，最终结合角色与质量约束完成筛选。
- **任务导向合成：** 我们提出一种结构化合成方案，将 L2 筛选出的每个算法相关实现转化为一道编程练习，并基于同一源实现联合生成独立完整的任务、分析、解答与候选测试用例。该转换既保留了源代码的计算意图，又为代码生成引入了显式的任务监督与解答监督。

## 📈 评测结果

10B-token 对比均使用相同的 1B 基座模型、训练设置、去污流程和评测协议。

### Python 结果

- **算法相关性精筛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**。
- **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**。

<div align="center">
  <img src="assets/python-training-dynamics.png" alt="Python 训练动态" width="760"/>
</div>

<div align="center">
  <img src="assets/python_results.png" alt="Python 主结果表" width="900"/>
</div>

### 多语言结果

- **L2 精筛优于自然代码基线。** 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。

<div align="center">
  <img src="assets/multilingual-training-dynamics.png" alt="多语言训练动态" width="760"/>
</div>

<div align="center">
  <img src="assets/multilingual_results.png" alt="多语言主结果表" width="900"/>
</div>

## 🧾 数据格式

### UltraData-Code-L2

每行对应一个精筛源代码文件，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`。
- `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`：包含 task 和 solution 字段的序列化文本。
- `content_format`：`content` 的序列化格式。
- `raw_content`：序列化前的原始生成记录。
- `task`：生成的独立任务描述。
- `analysis`：算法、边界情况与复杂度分析。
- `solution`：生成的自包含参考实现。
- `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](https://huggingface.co/Qwen/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](./LICENSE) 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：

```bibtex
@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}}
}
```