Cursor 生态代码训练数据「超级扩容包」（≥10TB / 10,000+GB）

专为能“写出可运行软件”的类 Cursor 模型（代码补全/生成/修复/Agent）打造。
在 1500G 标准版基础上，新增 ≥10TB（10,000+GB）超级扩容包，已完成授权接入，支持自助下单与企业定制。

价格

• 标准版 1500G：HKD 99,000（一次性授权，含交付支持）（9月发布的第一个数据包，非本链接产品）

• 超级扩容包 ≥10TB：HKD 199,000（10月最新发布的第二部数据包，本链接产品）

一、产品概述

本数据不止“单仓源码”，而是围绕真实开发全流程，覆盖第三方服务调用、依赖与构建、错误修复、文档—实现对齐等生态知识，更贴近 IDE/Agent 的可执行场景。适合打造类似 Cursor 的“可落地”软件模型与智能开发代理。

• 数据规模：≥10TB（扩容包）

• 官网下单：Neuronicx.com

• 支持：企业定制扩容 / 行业专用包（电商、内容、客服、SaaS 等）

二、核心价值

• 生态级覆盖：不止源码，涵盖 API/SDK 使用、依赖管理、配置与部署要点。

• 可执行导向：面向“能跑通”组织与标注，提升编译/运行通过率与 API 成功率。

• 高质量清洗：去重、脱敏、许可扫描与结构化标识，可直接用于预训练/SFT。

• 专为代码模型：更适配 Code LLM、Agent、IDE Copilot、RAG+执行等场景。

三、数据内容构成（示例维度）

1. 代码与依赖：多语言源码（Python/JS/TS/Go/Java/C# 等）、构建与依赖文件（requirements.txt、package.json、go.mod、Dockerfile、CI 配置）、环境与连接模板（已脱敏）。

2. 第三方服务知识：API/SDK 要点 ↔ 代码示例对齐；常见生态（如支付/消息/存储/搜索/AI/云平台）的调用范式与错误处理；OpenAPI/GraphQL 结构与客户端样例。

3. 工程化与质量：任务/提交信息 ↔ 变更 diff；常见错误日志 ↔ 修复补丁；单测样例与覆盖率（抽样）。

4. 训练友好映射：需求/指令 → 代码片段/补丁 的成对样本；工具/CLI 调用与脚手架生成轨迹。

四、标注与清洗流程（关键环节）

结构化标签（语言/领域/功能/第三方服务/复杂度/可执行性）→ 语义与 AST 双重去重 → 许可识别与全量脱敏 → 编译/运行抽测 → 毒性与不当内容过滤。

五、交付与集成

• 交付：S3/OSS 直链、专线或加密硬盘寄送

• 格式：JSONL/Parquet（样本与标注）、tar.gz/Git bundle（代码与资源）

• 配套：示例解析脚本、训练/微调参考配置、数据字典

• 兼容：主流训练框架与检索系统；支持与你现有语料做去重对齐。

六、版本与定价

• 标准版 1500G：HKD 99,000（一次性授权，含交付支持）（9月发布的第一个数据包，非本链接产品）

• 超级扩容包 ≥10TB：HKD 199,000（本链接产品）

  • 适合继续预训练（CPT）与大规模 SFT，增强长上下文与多技术栈覆盖

  • 可选行业专包/生态增强（新增特定第三方调用样例）

  • 提供更强的“需求→代码→测试/部署”成对数据

定制版按范围报价，签署 NDA 与《数据使用与合规协议》后启动。

七、购买流程

1. 官网下单（或联系企业销售） → 2) 签署《数据使用与合规协议》 → 3) 开通下载/传输并交付数据说明书 → 4) 技术对接与交付确认（含校验与补传保障）。

八、合规与许可

来源包含开源/自研/授权数据，严格脱敏与许可识别；不含敏感个人信息与密钥。仅限合法合规用途，禁止用于恶意软件生成、入侵/攻击。许可为不可转售的商业授权；如需转授权/联营分发，请洽谈企业条款。

常见问题（精要）

• 能否先评估效果？ 可申请小样本试用片段（签 NDA 后提供）。

• 与通用代码语料区别？ 强调“生态 + 可执行性”：第三方服务调用范式、依赖/构建、错误—修复模式、文档—实现对齐。

• 是否含私有代码？ 不含；附许可识别元数据便于企业内审；支持按月/季度增量更新服务。