懂AI

LLMDataHub入门指南 - 大型语言模型训练数据集汇总

RayRay
LLMDataHub数据集大语言模型开源社区聊天机器人Github开源项目

LLMDataHub入门指南 - 大型语言模型训练数据集汇总

LLMDataHub是一个旨在收集和整理用于训练大型语言模型(LLM)的高质量数据集的开源项目。随着像GPT、BERT等大型语言模型的兴起,高质量的训练数据对于模型性能至关重要。LLMDataHub为研究人员和开发者提供了一个集中的平台,可以方便地查找和使用各种类型的LLM训练数据集。

项目概述

LLMDataHub主要收集以下几类数据集:

  1. 对齐数据集:用于指令微调的数据集,提高模型遵循人类指令的能力。
  2. 领域特定数据集:针对特定领域(如医疗、法律等)的专业数据集。
  3. 预训练数据集:用于大规模预训练的通用语料库。
  4. 多模态数据集:包含图像等多模态信息的数据集。

项目地址: https://github.com/Zjh-819/LLMDataHub

LLMDataHub Logo

主要特点

  • 全面收录:涵盖了目前主流的LLM训练数据集,种类丰富。
  • 信息完整:对每个数据集都提供了详细的描述、大小、语言等信息。
  • 持续更新:定期收集和整理新发布的数据集。
  • 开源共享:所有信息公开透明,方便社区贡献和使用。

如何使用

  1. 访问GitHub仓库,查看README文件获取完整数据集列表。

  2. 数据集按照发布时间和类型进行了分类,可以快速找到所需的数据集。

  3. 每个数据集都提供了下载链接,可以直接访问获取数据。

  4. 对于使用方法有疑问的,可以参考对应的论文或项目说明。

典型数据集示例

  1. Anthropic_HH_Golden

    • 类型:SFT/RLHF
    • 语言:英语
    • 大小:42.5k训练+2.3k测试
    • 描述:改进的Anthropic Helpful and Harmless数据集,使用GPT-4重写了原始"chosen"答案。

  2. OpenOrca

    • 类型:Pairs
    • 语言:英语
    • 大小:4.5M条目
    • 描述:增强版FLAN数据集,使用Orca论文中的方法生成。

  3. The Pile (V1)

    • 类型:预训练
    • 语言:多语言,包含代码
    • 大小:825GB
    • 描述:由22个小型高质量数据集组成的多样化开源语言建模数据集。

总结

LLMDataHub为LLM研究和开发提供了宝贵的数据资源。无论您是想训练自己的模型,还是寻找特定领域的数据集,都可以在这里找到合适的选择。随着项目的不断更新,它将继续成为LLM社区的重要资源库。

欢迎访问LLMDataHub GitHub仓库获取更多详细信息,也欢迎为项目贡献新的数据集或改进建议!

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word，让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定，还是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用户精准表达，轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级，全面对标OpenAI o1

科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景，如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力，做PPT更简单！

咔片是一款轻量化在线演示设计工具，借助 AI 技术，实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT，提供海量模板、智能美化、素材替换等功能，适用于销售、教师、学生等各类人群，能高效制作出高品质 PPT，满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文，一站式创作，让内容运营更高效

讯飞绘文，一个AI集成平台，支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容，加速品牌传播，提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台，公文写作神器

AI 材料星，专业的 AI 公文写作辅助平台，为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能，支持 30 + 文稿类型生成，助力快速完成领导讲话、工作总结、述职报告等材料，提升办公效率，是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK，助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK，它为开发者提供了与 OpenAI 模型交互的高效工具，支持工具调用、结果处理、追踪等功能，涵盖多种应用场景，如研究助手、财务研究等，能显著提升开发效率，让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具，支持从文本描述、单张图片或多视角图片生成 3D 模型，具备快速形状生成能力，可生成带纹理的高质量 3D 模型，适用于多个领域，为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目，涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作，如创建文件和目录、设置布局等，同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景，能够提高系统的性能和可靠性，是分布式存储领域的优质解决方案。

下拉加载更多