awesome-synthetic-datasets
大语言模型合成数据集资源汇总
该项目整理了大语言模型生成合成数据集的相关资源，包括教程、技术、数据集、工具和论文。涵盖TinyStories、Cosmopedia等数据集，以及Self-Instruct、AutoPrompt等技术，为AI研究和开发提供参考。
什么是合成数据？
合成数据指的是人工生成的数据，通常旨在模仿真实世界的数据。这些数据是通过算法创建的，通常使用模型或模拟，而不是从真实世界的来源收集。合成数据在机器学习中已经使用了很长时间。自大型语言模型（LLM）出现以来，越来越多地使用LLM来生成合成数据，并使用合成数据来训练LLM。
资源
这个仓库旨在组织资源，帮助人们（包括我自己）开始构建合成数据集。因此，它只会涵盖一些内容，并且主要关注实用和实际的资源。
教程、指南和教育性博客文章
- 合成数据：使用开源方法节省资金、时间和碳排放：展示了如何使用开源LLM在几个步骤中创建合成数据来训练你的定制模型。
本仓库中的示例
重要技术
重要数据集
TinyStories
TinyStories是一个合成数据集，包含短篇故事，只使用典型3到4岁儿童通常理解的词汇，由GPT-3.5和GPT-4生成。我们展示了TinyStories可以用于训练和评估比最先进模型小得多的语言模型（总参数少于1000万），或者 架构更简单的模型（只有一个transformer块），但仍然能够生成流畅一致、多样化、语法几乎完美的多段故事，并展示推理能力。
OpenHermes-2.5
Open Hermes 2.5数据集是Open Hermes 1数据集的延续，规模更大、更加多样化，质量更高的编译，达到了100万个主要是合成生成的指令和对话样本。
Cosmopedia
Cosmopedia是一个由Mixtral-8x7B-Instruct-v0.1生成的合成教科书、博客文章、故事、帖子和WikiHow文章的数据集。该数据集包含超过3000万个文件和250亿个标记，是迄今为止最大的开放合成数据集。
这是对"Textbooks Are All You Need"的复现。更多详情请查看这篇博客文章。
WebSight
WebSight是一个大型合成数据集，包含代表合成生成的英文网站的HTML/CSS代码，每个代码都附带相应的截图。
更多详情请查看这篇博客文章。
synthetic_text_to_sql
gretelai/synthetic_text_to_sql是一个高质量的合成文本到SQL样本的丰富数据集，使用Gretel Navigator设计和生成，以Apache 2.0许可发布。更多详情请查看我们的发布博客文章。
Salesforce/xlam-function-calling-60k
一个包含60,000个生成的函数调用示例的数据集，涵盖21个类别和3,673个API。
库、代码和工具
这个列表并不全面，主要关注于正在积极开发的库或能很好地展示特定方法的库/代码示例。
distilabel
⚗️ distilabel是一个为需要高质量输出、完全数据所有权和整体效率的AI工程师提供合成数据和AI反馈的框架。
这是一个非常灵活的库，正在积极开发和改进中。它支持大量的LLM提供商。它包括许多来自论文的常见合成数据生成技术，如Self-Instruct和EvolInstruct。
llm-swarm
在Slurm集群中管理可扩展的开放LLM推理端点
这个库主要关注使用Slurm集群扩展合成文本生成。这个库被用于生成Cosmopedia。
Domain Specific Dataset Project
这是一个引导创建特定领域数据集以训练模型的项目。目标是创建一套工具，帮助用户与领域专家合作。包括一个用于创建专注于特定领域的合成数据集生成管道的UI工具。
AutoPrompt
一个使用基于意图的提示校准进行提示调优的框架
这个框架旨在帮助你自动生成高质量、详细的提示。它使用一个精炼过程，通过迭代构建一个具有挑战性边缘案例的数据集，并相应地优化提示。这种方法旨在减少提示工程中的手动工作，并降低提示敏感性。
Self-Contrast
Self-Contrast是一种创新方法，提供了一种无需标注的方法来与人类偏好对齐。
这是Starling团队论文"Extensive Self-Contrast Enables Feedback-Free Language Model Alignment"的配套代码。"Nectar"合成数据集用于训练奖励模型，然后通过AI反馈强化学习（RLAIF）来训练大型语言模型。
重要论文
一些关于合成数据生成的重要论文。注意我并不试图添加该主题的所有可能论文，而是专注于那些引入了重要技术或产生了重大影响（特别是"在野外"）的论文。我正在这个Hugging Face集合中收集更多的论文。
编辑推荐精选
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
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
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。
TRELLIS
用于可扩展和多功能 3D 生成 的结构化 3D 潜在表示
TRELLIS 是一个专注于 3D 生成的项目，它利用结构化 3D 潜在表示技术，实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具，包括文本到 3D、图像到 3D 等，并且支持多种输出格式，如 3D 高斯、辐射场和网格等。通过 TRELLIS，用户可以根据文本描述或图像输入快速生成高质量的 3D 资产，适用于游戏开发、动画制作、虚拟现实等多个领域。
ai-agents-for-beginners
10 节课教你开启构建 AI 代理所需的一切知识
AI Agents for Beginners 是一个专为初学者打造的课程项目，提供 10 节课程，涵盖构建 AI 代理的必备知识，支持多种语言，包含规划设计、工具使用、多代理等丰富内容，助您快速入门 AI 代理领域。
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
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
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
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
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。
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