摘要
本文介绍了 ManyTypes4TypeScript，这是一个用于训练和评估基于序列的 TypeScript 类型推断机器学习模型的超大规模语料库。该数据集涵盖 13,953 个项目和 539,571 个文件，包含超过 900 万个类型注解，规模约为现有 Python 类型推断数据集的 10 倍，也是目前针对 TypeScript 可用的最大数据集。我们还提供了该数据集的 API 接口，可无缝集成至任意分词器，并与当前最先进的基于序列的模型兼容使用。此外，本文还提供了针对当前先进代码专用模型的分析与性能评估结果，以供基准对比参考。ManyTypes4TypeScript 已在 Hugging Face、Zenodo 和 CodeXGLUE 平台公开发布。