Awesome-LLMs-Datasets:大型语言模型数据集全面概述

RayRay
LLMs数据集大语言模型预训练语料库指令微调数据集评估数据集Github开源项目

Awesome-LLMs-Datasets:大型语言模型数据集全面概述

随着人工智能技术的快速发展,大型语言模型(Large Language Models, LLMs)已成为自然语言处理领域的重要研究方向。而高质量的数据集是训练和评估LLMs的关键基础。为了帮助研究人员全面了解LLMs相关数据集,Awesome-LLMs-Datasets项目应运而生,旨在系统性地总结和分类现有的代表性LLMs文本数据集。

项目概述

Awesome-LLMs-Datasets项目由GitHub用户lmmlzn创建和维护,是一个开源的数据集资源汇总项目。该项目从五个主要维度对LLMs相关数据集进行了分类整理:

  1. 预训练语料库(Pre-training Corpora)
  2. 指令微调数据集(Fine-tuning Instruction Datasets)
  3. 偏好数据集(Preference Datasets)
  4. 评估数据集(Evaluation Datasets)
  5. 传统自然语言处理数据集(Traditional NLP Datasets)

此外,项目还新增了两个数据集板块:

  1. 多模态大语言模型(MLLMs)数据集
  2. 检索增强生成(RAG)数据集

通过这种多维度的分类方法,Awesome-LLMs-Datasets为研究人员提供了一个全面而结构化的LLMs数据集概览。

LLMs数据集分类

项目特色

  1. 全面性: 涵盖了LLMs研究中涉及的各类数据集,从预训练到评估的全流程。

  2. 结构化: 采用多层次的分类体系,使得用户可以快速定位所需的特定类型数据集。

  3. 信息丰富: 每个数据集都提供了详细的元信息,包括发布时间、公开状态、语言、构建方法等。

  4. 持续更新: 项目维护者定期更新,及时收录新发布的重要数据集。

  5. 开源共享: 项目采用开源方式,鼓励社区贡献,促进资源共享。

数据集分类详解

1. 预训练语料库

预训练语料库是用于LLMs初始预训练阶段的大规模文本数据集。Awesome-LLMs-Datasets将其分为两类:

1.1 通用预训练语料库

这类语料库包含来自多个领域和来源的大规模文本数据,适用于训练通用基础模型。根据数据来源,又可细分为:

  • 网页数据:如Common Crawl、C4等
  • 语言文本:如BNC(英国国家语料库)等
  • 图书:如Project Gutenberg等
  • 学术资料:如arXiv、PubMed等
  • 代码:如The Stack、BigCode等
  • 平行语料库:如CCAligned、WikiMatrix等
  • 社交媒体:如Reddit、Twitter等
  • 百科全书:如维基百科等
  • 多类别混合:如The Pile、ROOTS等
1.2 领域特定预训练语料库

这类语料库聚焦于特定领域的文本数据,包括:

  • 金融:如SEC-EDGAR等
  • 医疗:如PubMed Central等
  • 数学:如arXiv Math等
  • 其他专业领域

2. 指令微调数据集

指令微调数据集用于LLMs的指令跟随能力训练。项目将其分为两大类:

2.1 通用指令微调数据集

根据数据构建方法,又可分为:

  • 人工生成(HG):如Anthropic-HH等
  • 模型构建(MC):如GPT-4-LLM等
  • 现有数据集收集与改进(CI):如FLAN Collection等
  • 以及上述方法的组合
2.2 领域特定指令微调数据集

包括医疗、代码、法律、数学、教育等专业领域的指令数据集。

3. 偏好数据集

偏好数据集用于训练LLMs生成更符合人类偏好的输出。根据偏好评估方法,可分为:

  • 投票法(Vote)
  • 排序法(Sort)
  • 打分法(Score)

4. 评估数据集

评估数据集用于测试LLMs的各项能力。项目从多个维度对其进行了分类,包括:

  • 通用评估
  • 考试
  • 学科知识
  • 自然语言理解
  • 推理能力
  • 知识应用
  • 长文本处理
  • 工具使用
  • Agent能力
  • 代码生成
  • 领域外泛化
  • 法律
  • 医疗
  • 金融
  • 社会规范
  • 事实性
  • 多任务
  • 多语言等

5. 传统NLP数据集

这部分包含了一些经典的NLP任务数据集,如问答、文本蕴含、指代消解、情感分析等。这些数据集虽然不是专门为LLMs设计,但对评估LLMs的基础NLP能力仍然很有价值。

6. 多模态大语言模型(MLLMs)数据集

随着多模态LLMs的兴起,项目新增了这一板块,包括:

  • MLLMs预训练语料库
  • MLLMs指令微调数据集
  • MLLMs评估数据集

7. 检索增强生成(RAG)数据集

这一新增板块收录了专门用于评估和改进RAG系统的数据集。

数据集信息模块

为了提供全面的数据集信息,项目为每个数据集设计了详细的信息模块,包括:

  • 数据集名称
  • 发布者
  • 发布时间
  • 规模
  • 公开状态
  • 许可证
  • 语言
  • 构建方法
  • 类别
  • 来源
  • 领域
  • 指令类别(适用于指令数据集)
  • 偏好评估方法(适用于偏好数据集)
  • 问题类型(适用于评估数据集)
  • 评估方法
  • 重点关注点
  • 评估类别/子类别数量
  • 评估类别
  • 实体类别数量(NER任务)
  • 关系类别数量(RE任务)

这些详细的元信息使研究人员能够快速了解每个数据集的关键特征,从而选择最适合自己研究需求的数据资源。

项目价值与影响

Awesome-LLMs-Datasets项目的建立和持续更新,为LLMs研究社区带来了多方面的积极影响:

  1. 资源整合: 项目汇总了散布在各处的LLMs相关数据集,为研究人员提供了一站式的资源检索平台。

  2. 研究指引: 通过系统化的分类,项目帮助研究者快速定位特定类型的数据集,为研究方向的选择提供了参考。

  3. 标准化: 项目为数据集信息的描述建立了一套相对统一的标准,有助于不同数据集之间的比较和选择。

  4. 促进创新: 通过展示现有数据集的全貌,项目也揭示了当前LLMs数据集建设中的不足,为新数据集的创建提供了方向。

  5. 开源共享: 项目的开源性质鼓励了研究社区的知识共享和协作,推动了LLMs研究的整体发展。

未来展望

随着LLMs技术的快速发展,相关数据集的数量和种类也在不断增加。Awesome-LLMs-Datasets项目计划在以下几个方面继续完善:

  1. 持续更新: 及时收录新发布的重要数据集,保持资源的时效性。

  2. 深化分析: 对数据集进行更深入的质量分析和比较研究,为使用者提供更有价值的参考。

  3. 拓展范围: 随着LLMs应用领域的扩大,考虑增加更多专业领域的数据集分类。

  4. 社区互动: 加强与研究社区的互动,鼓励更多人参与到项目的维护和完善中来。

  5. 工具支持: 开发配套的检索和分析工具,提高数据集资源的使用效率。

结语

Awesome-LLMs-Datasets项目通过系统化地整理和分类LLMs相关数据集,为研究人员提供了一个全面而详尽的资源地图。它不仅是一个简单的数据集列表,更是LLMs研究生态系统的重要组成部分。随着项目的不断完善和社区的积极参与,Awesome-LLMs-Datasets有望成为推动LLMs技术发展的重要基础设施之一。

无论您是LLMs领域的资深研究者,还是刚刚踏入这一领域的新手,Awesome-LLMs-Datasets都能为您提供宝贵的数据资源参考。我们期待这个项目能够助力更多创新研究的开展,推动LLMs技术向着更智能、更可靠的方向不断前进。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多