instruction-datasets

大语言模型指令微调数据集汇总

Instruction Tuning 大语言模型数据集 NLP 多语言 Github 开源项目

该项目整理了大语言模型指令微调所需的多种数据集，包括金标准、银标准/LM生成和偏好数据集。内容涵盖多语言和多模态任务，提供指令-响应对和人类偏好评分等资源。这些数据集有助于提升模型的指令跟随、对话和任务执行能力，为NLP研究和开发提供重要参考。

instructlab - 创新的大语言模型对齐调优命令行工具

CLIGithubInstructLabLLM开源项目聊天机器人训练模型

InstructLab是为大语言模型(LLM)对齐调优设计的创新命令行工具。它采用合成数据方法，支持预训练模型下载、知识技能添加、合成数据生成、模型重训练和评估。工具兼容多种硬件平台，包括Apple M系列、AMD ROCm和NVIDIA CUDA，为LLM优化提供灵活高效的解决方案。

multilingual-e5-large-instruct - 支持100+语言的多语言大规模指令型自然语言处理模型

GithubHuggingfaceMTEB分类多语言开源项目检索模型模型评估

multilingual-e5-large-instruct是一个多语言大规模指令型语言模型，支持100多种语言的文本处理。该模型在MTEB基准测试的分类、检索、聚类等任务中表现优秀，展现了优异的跨语言能力。它可应用于多语言文本嵌入、语义搜索、文本分类等场景，为自然语言处理提供了实用的多语言解决方案。

INTERS - 指令微调优化大型语言模型的搜索能力

GithubINTERS信息检索大语言模型开源项目指令微调自然语言处理

INTERS是一个包含20个信息检索任务的指令微调数据集，旨在提升大型语言模型的搜索能力。该项目基于43个数据集构建，涵盖查询理解、文档理解和查询-文档关系理解三大类任务。实验表明，INTERS能有效增强LLaMA、Mistral等开源大型语言模型在信息检索方面的表现，为搜索技术发展开辟新路径。

AgentTuning - 提升大语言模型的多任务代理能力

AI代理AgentTuningGithubLLM开源项目机器学习自然语言处理

AgentTuning项目通过多种代理任务的交互数据微调大语言模型,增强其通用代理能力。实验表明,经过AgentTuning的模型在新的代理任务中展现出良好的泛化能力,同时保持了强大的语言处理能力。项目开源的AgentInstruct数据集和AgentLM模型为相关研究提供了重要参考。

speech_dataset - 多语言语音识别与合成数据集详细介绍及应用

Github多人语音识别开源开源项目数据集语音合成语音识别

此页面总结了多语言语音数据集，包括中文、英文、日语、韩语、俄语等。涵盖了语音识别、语音合成、说话人识别和分离等应用领域，详细描述了每个数据集的时长、下载地址及其具体用途，帮助用户快速找到符合科研或项目需求的语音数据。

SmolLM-135M-Instruct - 轻量级指令语言模型的高效实现

GithubHuggingfaceSmolLM人工智能开源项目机器学习模型模型训练语言模型

SmolLM-135M-Instruct是一个1.35亿参数的轻量级指令语言模型。经过高质量教育数据训练和公开数据集微调后，模型具备基础知识问答、创意写作和Python编程能力。支持MLC、GGUF等多种本地部署方案，可通过Transformers框架调用。v0.2版本进一步优化了对话质量和任务完成能力。

dclm - 大型语言模型训练与评估的开源综合框架

DataComp-LMGithub大语言模型开源项目数据处理模型训练评估

DataComp-LM是一个开源的大型语言模型训练和评估框架。它提供了超过300T的CommonCrawl标准语料库、基于open_lm的预训练方案和50多项评估指标。研究人员可利用该框架在411M至7B参数规模下进行数据集构建实验。通过数据集优化，DataComp-LM已显著提升了模型性能，创建了多个跨规模表现优异的高质量数据集。

awesome-llms-fine-tuning - 大语言模型微调资源指南，包括教程、工具与最佳实践

BERTGPTGithubLLMRoBERTafine-tuning开源项目

本页面汇总了微调大语言模型（如GPT、BERT、RoBERTa）的全面资源，适用于特定任务和领域的需求。包含教程、论文、工具、框架和最佳实践，为研究人员、数据科学家和机器学习从业者提供宝贵的指导，提升模型表现，优化工作流程。

Llama-2-7B-32K-Instruct - 长上下文对话模型，支持自定义微调和高效推理

GithubHuggingfaceLlama-2-7B-32K-InstructTogether API开源项目指令微调数据集模型长上下文聊天模型

Llama-2-7B-32K-Instruct是开源长上下文对话模型，微调自高质量指令和对话数据。适用于长上下文的摘要与问答任务，通过评估与多款顶尖模型对比。在Together API的支持下，用户可自定义微调以提升性能。模型数据与使用方法已完全开放，方便个性化开发。建议安装Flash Attention V2以提高推理效率。

DialogStudio - 提供丰富多样的对话数据集和任务意识模型

DialogStudioGithubHuggingface对话开源项目数据集模型

DialogStudio 是一个全面的对话数据集项目，包含大量统一的对话数据集和任务意识模型，支持对单个数据集和大型语言模型的训练。用户可以通过 HuggingFace 轻松下载和使用这些数据集，涵盖从知识驱动到任务导向多个领域。同时，项目进行了高质量的数据集评估，提供了详细的评价标准和评分。DialogStudio 既促进会话 AI 研究，也为模型开发者和数据科学家提供了重要资源，推动该领域的创新与进步。

相关项目

推荐项目

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com