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

大型语言模型数据集概述

大型语言模型(Large Language Models, LLMs)的蓬勃发展离不开海量高质量数据集的支持。本文将全面介绍 LLMs 相关的各类数据集,为研究者提供宝贵的数据资源参考。

预训练语料库

预训练语料库是 LLMs 预训练阶段使用的大规模文本数据集合。这些语料库通常包含来自多个领域和来源的广泛文本内容,适合训练通用基础模型。根据数据类别,预训练语料库主要可分为以下几类:

网页数据

网页数据是最常用的预训练语料来源之一。一些代表性的网页数据集包括:

  • Common Crawl:最大规模的网页爬虫数据集,包含数十亿网页。
  • C4:基于 Common Crawl 清洗得到的高质量英文语料。
  • mC4:C4 的多语言版本,覆盖 108 种语言。
  • OSCAR:基于 Common Crawl 构建的多语言数据集,包含 151 种语言。
  • RedPajama-V2:包含 30.4 万亿 tokens 的多语言预训练数据集。

这些网页数据集通常规模巨大,包含丰富的领域知识,是训练大规模语言模型的重要资源。

语言文本

语言文本数据集专注于收集特定语言的高质量文本:

  • ANC:美国英语语料库
  • BNC:英国英语语料库
  • News-crawl:包含 59 种语言的新闻文本数据

这类数据集虽然规模相对较小,但文本质量较高,适合进行语言学研究或特定语言模型的训练。

图书数据

图书数据集包含大量完整的图书文本:

  • Anna's Archive:包含 586.3TB 的多语言图书数据
  • BookCorpusOpen:17,868 本英文图书的开放数据集
  • PG-19:基于 Project Gutenberg 构建的英文图书数据集

图书数据通常包含连贯的长文本,适合训练模型的长文本理解能力。

除此之外,预训练语料库还包括学术材料、代码、平行语料库、社交媒体、百科全书等多种类型。研究者可以根据具体需求选择合适的预训练语料。

指令微调数据集

指令微调数据集用于对预训练模型进行指令跟随能力的微调。这些数据集通常包含人类指令和相应的模型输出。根据构建方法,可以分为以下几类:

  1. 人工生成数据集(HG):由人类专家手动编写高质量的指令-回答对。

  2. 模型构建数据集(MC):利用现有模型自动生成大规模指令数据。

  3. 已有数据集收集与改进(CI):对现有数据集进行整理、清洗和改进。

  4. 混合方法:结合上述多种方法构建的数据集。

一些代表性的指令微调数据集包括:

  • InstructGPT:OpenAI 发布的人工生成指令数据集
  • Alpaca:基于 text-davinci-003 生成的 52K 指令数据
  • FLAN Collection:Google 发布的大规模指令数据集合

这些数据集在提升模型的指令跟随能力方面发挥了重要作用。

偏好数据集

偏好数据集用于对齐模型输出与人类偏好,通常包含多个模型回答及其人类评分。主要的评分方法包括:

  • 投票(Vote):对多个答案进行二元选择
  • 排序(Sort):对多个答案进行相对排序
  • 打分(Score):对每个答案进行绝对分数评价

一些代表性的偏好数据集包括:

  • Anthropic HH:包含 67K 人工标注的对话偏好数据
  • OpenAI WebGPT:基于人类反馈的网页问答数据集
  • Constitutional AI:用于训练宪法AI的偏好数据集

这些数据集对于提升模型输出质量、对齐人类价值观具有重要意义。

评估数据集

评估数据集用于全面评估语言模型的各项能力。根据评估重点,可以分为以下几类:

  1. 通用能力评估:如 MMLU、BIG-bench 等
  2. 考试能力评估:如 AGIEval、C-Eval 等
  3. 学科知识评估:如 MedQA、LawBench 等
  4. 自然语言理解评估:如 GLUE、SuperGLUE 等
  5. 推理能力评估:如 GSM8K、BBH 等
  6. 知识评估:如 TruthfulQA、FEVER 等
  7. 长文本处理评估:如 LongBench、NAH 等
  8. 工具使用评估:如 ToolBench、APIBench 等
  9. Agent 评估:如 AgentBench 等

此外还有代码、多语言、事实性等多个维度的评估数据集。这些评估数据集为全面衡量模型性能提供了重要支持。

传统 NLP 数据集

传统 NLP 数据集虽然规模相对较小,但在特定 NLP 任务上仍具有重要价值。主要包括:

  • 问答:SQuAD、NaturalQuestions 等
  • 文本蕴含:SNLI、MNLI 等
  • 情感分析:SST、IMDB 等
  • 文本生成:CNN/DailyMail、XSum 等
  • 文本分类:AG News、DBPedia 等
  • 命名实体识别:CoNLL-2003、OntoNotes 5.0 等
  • 关系抽取:TACRED、DocRED 等

这些数据集为评估模型在特定 NLP 任务上的表现提供了重要基准。

多模态大语言模型数据集

随着多模态大语言模型(MLLMs)的兴起,相关数据集也日益丰富:

  • 预训练语料:如 LAION-5B、OBELICS 等
  • 指令微调数据集:如 LLaVA、InstructBLIP 等
  • 评估数据集:如 MME、MMMU 等

这些数据集推动了 MLLMs 在视觉-语言理解与生成方面的快速发展。

检索增强生成数据集

检索增强生成(RAG)是提升 LLMs 知识能力的重要方向。相关数据集主要包括:

  • ARES:评估 RAG 系统性能的综合数据集
  • KILT:基于知识密集型任务的 RAG 评估数据集
  • LFRQA:评估长篇事实检索问答能力的数据集

这些数据集为构建和评估 RAG 系统提供了重要支持。

总结与展望

大型语言模型的发展离不开高质量数据集的支持。本文全面介绍了 LLMs 相关的各类数据集,包括预训练语料库、指令微调数据集、偏好数据集、评估数据集等。这些数据集为 LLMs 的训练与评估提供了宝贵的资源。

未来,LLMs 数据集的发展趋势可能包括:

  1. 更大规模:构建更大规模的预训练语料库,支持更大模型的训练。

  2. 更高质量:提高数据清洗和过滤的标准,构建更高质量的数据集。

  3. 更多样化:覆盖更多语言、领域和任务类型的数据集。

  4. 更注重隐私:在保护隐私的前提下构建和使用数据集。

  5. 更关注对齐:构建更多反映人类价值观的指令和偏好数据集。

  6. 更全面的评估:开发更加全面和严格的模型评估数据集。

  7. 多模态融合:构建融合文本、图像、音频等多模态的数据集。

总的来说,高质量的数据集将持续推动 LLMs 的发展与进步。研究者应当充分利用这些宝贵的数据资源,同时也要注意数据的合规性与伦理性,推动 LLMs 技术的健康发展。

LLM datasets overview

图1: LLMs 数据集概览

参考资源

希望本文能为 LLMs 研究者提供有价值的数据集参考。随着技术的发展,相关数据集也在不断更新,建议读者关注最新进展。让我们共同期待 LLMs 在海量高质量数据的支持下,为人类智能带来更多突破性进展! 🚀🤖💡

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