awesome-instruction-datasets
多语言高质量开源数据集，促进NLP指令调优
该项目提供多语言和多任务的高质量开源指令调优数据集，方便研究人员和开发者轻松访问和利用这些资源。收录数据集包括人类生成、自我指令生成和混合生成的数据，以加速NLP领域的发展，支持如ChatGPT的指令跟随型大语言模型的训练。
项目介绍：awesome-instruction-datasets
项目概述
awesome-instruction-datasets 是一个全面的开源指令数据集汇总项目，旨在帮助研究人员和开发者更好地训练基于聊天的复杂语言模型（如 ChatGPT、LLaMA、Alpaca 等）。其中包含了用于指令调优（Instruction Tuning）和从人类反馈中进行强化学习（RLHF）的关键数据集。这些数据集在训练现代语言模型以跟随指令方面发挥着重要作用。
主要内容
该项目的主要内容包括两大类数据集：提示数据集（Prompt Datasets）和 RLHF 数据集（Reinforcement Learning from Human Feedback Datasets）。这些数据集的详细信息、使用规则、统计数据和各个数据集简介都在项目中详细列出。
提示数据集
提示数据集部分聚合了多种语言、多任务和不同生成方式的数据集。这些数据集按以下标准分类：
- 语言标签（Lang）：EN（英语）、CN（中文）、ML（多语言）
- 任务标签（Task）：MT（多任务）、TS（特定任务）
- 生成方法（Gen）：HG（人工生成）、SI（自我生成）、MIX（混合）、COL（集合）
这些标签帮助用户快速识别每个数据集的特性。例如，Alpaca - Stanford 数据集是一个多任务的英语自我指令数据集，由 text-davinci-003 模型生成，共包含 52,000 条指令数据。
RLHF 数据集
RLHF 数据集用于进一步优化语言模型，使其在交互中能够更好地匹配和响应人类反馈。这些数据集同样包含详细的生成方法和用途说明。例如，SHP 数据集收集了 385,000 条人类偏好信息，广泛应用于从烹饪到法律建议的多种主题的任务中。
数据集示例
下面是几个数据集的简要介绍：
Alpaca - Stanford
- 基于 Meta Ai LLaMA 模型的指令调优模型
- 使用 GPT-3.5 自动生成了 52,000 条指令数据
- 实验结果表明，在某些任务上可以达到甚至超过 GPT-3.5 的表现
Instruction in the Wild
- 目标是创建更大且更具多样性的指令数据集
- 收集了来自 ChatGPT 使用截图中的 429 条指令，并生成了中英文版本
JosephusCheung/GuanacoDataset
- 使用修改后的自我指令管道生成的 52,000 条指令数据
- 初始数据由人工编写的 429 条任务组成
Stanford Human Preferences Dataset (SHP)
- 包含 385,000 条人类偏好选择数据
- 用于训练 RLHF 奖励模型和自然语言生成评估模型
贡献与合作
项目欢迎广大研究人员和开发者贡献新的数据集。详细贡献指南可以在项目仓库中找到。
使用许可
所有数据集和相关内容遵循指定的开源许可证规范。具体许可信息请参考项目中的 LICENSE 文件。
编辑推荐精选
蛙蛙写作
AI小说写作助手，一站式润色、改写、扩写
蛙蛙写作—国内先进的AI写作平台，涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能，助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。
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。
问小白
全能AI智能助手，随时解答生活与工作的多样问题
问小白，由元石科技研发的AI智能助手，快速准确地解答各种生活和工作问题，包括但不限于搜索、规划和社交互动，帮助用户在日常生活中提高效率，轻松管理个人事务。
Transly
实时语音翻译/同声传译工具
Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手，它拥有超精准的音频识别翻译能力，几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球，无论你是留学生、商务人士、韩剧美剧爱好者，还是出国游玩、多国会议、跨国追星等等，都可以满足你所有需要同传的场景需求，线上线下通用，扫除语言障碍，让全世界的语言交流不再有国界。
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。
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。
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。
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
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。
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。
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号