awesome-synthetic-datasets

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。

合成数据集大语言模型TinyStoriesSelf-InstructCosmopediaGithub开源项目
<div align="center"> <h1>超棒的合成(文本)数据集</h1> <p><em>使用大型语言模型生成数据集</em></p> <p><em><a href="https://huggingface.co/davanstrien">在 🤗 Hub 上关注我</a></em></p> </div> <br/>

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

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-InstructEvolInstruct

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

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。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

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。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

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

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。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

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

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。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

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-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

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

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。

下拉加载更多