企业官网建设流程全解析

• 数据集
• 大模型

UltraData-Stack-v3-L2 是从 The Stack v3 中清洗、精筛而来的约 240B token 代码预训练语料，覆盖 Python、Java、C++ 等 11 种编程语言。它以ODC-By 许可证发布——名字听起来开放，但"开放"绝不等于"随便用"。这篇合规使用指南带你读懂 ODC-By 许可证、厘清 The Stack v3 版权边界，并用一份避坑清单给出从下载到发布的安全步骤，帮你少踩版权坑。

一、先搞懂：ODC-By 许可证到底管什么 📜

很多新手看到"开源/开放数据"就以为可以任意使用，这是最大的误区。先分清两层概念：

• ODC-By（Open Data Commons Attribution）v1.0：它管的是"数据集本身"——也就是这份语料的整理、筛选与汇编工作。BY代表Attribution（署名），核心义务就是：使用或再分发时，必须明确署名原作者。
• 数据集内每条代码的原始许可证：语料里的代码来自真实开源仓库，每段代码可能受 MIT、Apache、GPL 等不同许可证约束。

一句话总结：ODC-By 是"外层容器"许可证，管署名；它并不覆盖代码本身的许可证。

本数据集的许可证说明见 README.md 的License章节，中文版见 README_ZH.md。

二、The Stack v3 版权：为什么"开放"≠"随便用" ⚠️

UltraData-Stack-v3-L2 与源数据集 The Stack v3 的许可保持一致。README 中有一条关键红线，原文（中文）如下：

使用 UltraData-Stack-v3-L2 中收录的全部或部分代码时，必须遵守其原始许可证的相关条款，包括适用的署名要求。

这句话意味着：

关键结论："数据集开放"只是让你能合法地获取这份语料，并不赋予你"无视原始代码版权"的权利。商用、再分发、模型产出等场景，都要回到"原始许可证"层面去判断。

三、合规使用 5 步：从下载到发布的避坑清单 ✅

第 1 步：获取数据前，先读许可证确认 README.md 与 README_ZH.md 中的许可证条款已阅读并理解。如需以仓库方式获取，可克隆：

git clone https://gitcode.com/OpenBMB/UltraData-Stack-v3-L2

第 2 步：定位数据，明确你要用哪部分语料按语言分目录存放，例如 Python 数据位于 data/UltraData-Stack-v3-L2/python/，其余如 java/、javascript/、rust/ 等，按需取用即可，避免全量搬运。

第 3 步：追踪每条代码的原始仓库许可证把"我要用哪段代码"映射回它的来源仓库，确认该仓库的许可证类型，再决定用途（学习、内部训练、发布、商用）。

第 4 步：保留署名与许可证声明发布任何包含该语料的产物时，随附原始许可证文件与署名信息，做到"可追溯"。

第 5 步：发布/商用前做一次合规检查对照下方检查清单逐项确认，再对外发布或用于商业模型。

四、高频踩坑场景与红线 ❌

💡 提示：语料的EXCLUDE精筛、清洗只代表数据质量筛选，不代表"法律上已清理干净"，二者不能混为一谈。

五、可保存的合规检查清单 📋

• 已阅读 README_ZH.md 的许可证章节
• 已确认所使用代码的原始仓库许可证
• 已在产物中保留署名与许可证声明
• 已识别并妥善处理copyleft（如 GPL/AGPL）代码
• 商用/再分发前完成一次法律合规审查
• 若用于研究，已按规范引用UltraData 相关文献

参考资料

• 许可证说明：README.md、README_ZH.md
• 语料目录（按语言）：data/UltraData-Stack-v3-L2/python/、data/UltraData-Stack-v3-L2/java/、data/UltraData-Stack-v3-L2/javascript/ 等 11 个语言目录

本文为合规指南，不构成法律意见。涉及具体商用或发布场景时，请以仓库原始许可证及专业法律意见为准。

• 数据集
• 大模型