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。

Meta-Llama-3.1-8B-Instruct - Meta发布8B参数多语言模型用于对话和文本生成

GithubHuggingfaceMeta人工智能多语言大语言模型开源项目模型自然语言处理

Meta-Llama-3.1-8B-Instruct是一款支持8种语言的大规模语言模型,参数规模为8B。该模型采用优化的Transformer架构并经过指令微调,可用于对话和多种自然语言生成任务。模型具有128k的上下文长度,支持商业和研究用途,在多项行业基准测试中表现出色。

entity-recognition-datasets - 多领域实体识别和命名实体识别任务数据集

AnnotationsDatasetsEntity RecognitionGithubNERNamed Entity Recognition开源项目

此库包含多个领域的实体识别和命名实体识别（NER）任务数据集，包括新闻、社交媒体、医学等。项目提供数据目录和转换代码，部分数据因许可证限制无法直接共享。虽然自2020年起更新较少，但仍接受通过issue或pull request添加的数据集，并支持多种语言的NER数据，如德语、西班牙语和荷兰语等。

llm-resource - 大模型资源汇总及实用技术详解

ChatGPTGPT-2GithubLLMMOETransformer开源项目

hatespeechdata - 多语言仇恨言论数据集汇总与研究资源

Github仇恨言论在线辱骂多语言开源项目数据集社交媒体

该项目汇集了涵盖多种语言的仇恨言论、在线辱骂和攻击性语言数据集。收录内容包括来自不同平台的文本、图像和音频数据。项目旨在为自然语言处理系统提供训练资源，以提升有害内容检测能力。此外，项目还提供关键词列表和贡献指南，为研究人员和开发者改进在线内容审核和仇恨言论检测技术提供支持。

MMDialog - 推进多模态开放域对话研究的大规模数据集

GithubMMDialog多模态对话数据集大规模数据开放域对话开源项目自然语言处理

MMDialog是一个包含丰富文本和图像信息的大规模多轮对话数据集。它提供详细的数据统计、格式说明和评估方法，适用于多模态开放域对话研究。学术研究人员可通过申请流程获取该数据集，用于非商业性研究。MMDialog为自然语言处理领域的多样化对话任务研究提供了重要资源。

InstructCV - 自然语言指令引导的多任务计算机视觉模型

GithubInstructCV开源项目文本到图像生成深度学习生成扩散模型计算机视觉

InstructCV 项目通过指令调优的文本到图像扩散模型，简化了计算机视觉任务的执行方式。该项目将多个计算机视觉任务转化为文本描述的图像生成问题，并使用涵盖分割、物体检测、深度估计和分类等任务的数据集进行训练。利用大型语言模型生成任务提示，该模型从生成模型转变为指令引导的多任务视觉学习者。项目实现了多种环境配置，包括在Huggingface Spaces的Gradio演示和Google Colab的运行示例，并支持PyTorch 1.5+。

Llama-3.2-1B-Instruct - Meta开发的多语言大规模语言模型适用于对话和检索任务

GithubHuggingfaceLlama 3.2人工智能多语言大语言模型开源项目模型自然语言处理

Llama-3.2-1B-Instruct是Meta开发的新一代多语言大规模语言模型。该模型支持8种语言，包括英语、德语和法语等，有1B和3B两种参数规模。模型采用优化的Transformer架构，使用高达9T的token训练，支持128k上下文长度。它在行业基准测试中表现优异，特别擅长对话、知识检索和摘要任务。Llama-3.2-1B-Instruct适用于构建智能助手、写作辅助等多种商业和研究应用。

MAmmoTH2-8B-Plus - 基于网络数据的大规模指令微调方法

GithubHuggingfaceMAmmoTH2大语言模型开源项目推理能力模型算法评估语言模型训练

MAmmoTH2项目通过从网络预训练语料中高效收集1000万条指令-回答对来提升大语言模型的推理能力。该方法显著改善了模型在多个推理基准测试上的表现，如MAmmoTH2-7B (Mistral)在MATH和GSM8K测试中的得分大幅提升。这种方法不仅无需特定领域数据训练，还为获取大规模高质量指令数据提供了一种高效的途径，为增强大语言模型的推理能力提供了新的研究方向。

Mistral-Nemo-Instruct-2407 - 多语言指令微调开源大语言模型

GithubHuggingfaceMistral-Nemo-Instruct-2407代码生成函数调用多语言支持大语言模型开源项目模型

Mistral-Nemo-Instruct-2407是Mistral AI与NVIDIA联合开发的指令微调大语言模型，基于Mistral-Nemo-Base-2407。该模型性能优异，支持128k上下文窗口，涵盖多语言和代码能力。它采用Apache 2许可证开源，可直接替代Mistral 7B，并在多项基准测试中展现卓越表现。

large_language_model_training_playbook - 大规模语言模型训练指南与实用技巧

GithubLLM Training Playbook大语言模型开源项目张量精度模型并行策略模型架构

此页面提供了大规模语言模型训练的实用指南和资源，涉及模型架构选择、并行策略、模型规模、张量精度、训练超参数设定、最大化吞吐量、稳定性问题、数据处理以及软件和硬件故障调试等主题。这些开放的技巧和工具可以帮助更高效地训练大规模语言模型，并提升其性能和稳定性。

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