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
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。
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。
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。
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。
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