Logo
Project Icon

RedPajama-Data

开放大规模多语言数据集助力大型语言模型训练

RedPajama-Data-v2大语言模型开放数据集自然语言处理数据质量Github开源项目

RedPajama-Data-v2是一个包含30万亿tokens的开放数据集，用于训练大型语言模型。该数据集涵盖了超过100B的文本文档，来源于84个CommonCrawl快照。它包含英语、德语、法语、意大利语和西班牙语5种语言的内容，并提供多种质量信号和去重处理。项目提供完整的数据处理流程，包括准备工件、计算质量信号和去重等步骤，为语言模型研究提供高质量的大规模语料资源。

GithubGithubHuggingfaceHuggingface
介绍相关项目
GPTeacher - GPT-4生成的多模块AI训练数据集
AI模型GPTeacherGithub开源项目微调指令生成数据集
GPTeacher项目提供由GPT-4生成的多模块数据集，包含通用指令、角色扮演、代码生成和工具使用等内容。数据集涵盖思维链推理、逻辑谜题和文字游戏等多样化任务，采用Alpaca格式便于模型微调。最新的角色扮演V2数据集规模更大，内容更丰富，包含模拟对话历史。这些数据集为AI模型训练提供了丰富的资源。
Llama-3.2-1B-Instruct-AWQ - Meta发布的开源多语言大型语言模型
GithubHuggingfaceLlama 3.2Meta多语言大语言模型开源项目模型自然语言生成
Llama-3.2-1B-Instruct是Meta开发的多语言大型语言模型，采用改进的transformer架构，支持128k上下文长度。该模型在对话、检索和摘要任务上表现优异，支持8种语言，包括英语、德语和法语等。它提供1B和3B两种参数规模，可通过transformers库或原生llama代码库部署，适用于商业和研究用途。
MINT-1T - 万亿级开源多模态数据集推动AI研究
GithubMINT-1T图文数据多模态数据集开源数据开源项目海量数据
MINT-1T是一个大规模开源多模态数据集，包含1万亿文本标记和34亿张图像，比现有开源数据集规模扩大约10倍。该数据集首次纳入PDF和ArXiv论文等新数据源，提供HTML、PDF和ArXiv等多个子集。MINT-1T旨在为大规模多模态AI模型研究提供丰富的训练资源，其规模和多样性有望促进多模态AI技术的发展。
Yi-6B-200K - 提供中英文双语支持的开源大语言模型
GithubHuggingfaceYi双语开源开源项目技术报告模型语言模型
致力于构建开源大语言模型，具备出色的语言理解、常识推理和阅读理解能力。Yi系列通过多语言语料库训练，在许多基准测试中表现优异。采用Llama架构，由Yi团队独立开发数据集与基础设施，适合个人、学术和商业使用。
diffusiondb - 大规模文本生成图像数据集，促进多领域研究
DiffusionDBGithubStable Diffusion开源项目数据集文本生成图像生成模型
DiffusionDB 是一个大规模文本生成图像数据集，包含1400万张由Stable Diffusion生成的图像，以真实用户的提示和超参数为基础。该数据集为研究生成模型与提示词的关系、检测深度伪造和设计人机交互工具提供了丰富资源，分为 DiffusionDB 2M 和 DiffusionDB Large 两个子集，满足不同需求。模块化的数据集结构使得用户可以高效加载所需部分。
llm - LLM实验项目集合 探索大型语言模型应用
API密钥GithubLLM实验OpenAIPinecone开源项目虚拟环境
该开源项目提供了一系列LLM实验。内容包括虚拟环境设置、必要包安装以及API集成指南。通过这些实验，开发者可以深入了解大型语言模型的应用，探索AI文本处理和向量数据库技术。项目注重实践，为AI领域学习者提供了有价值的资源。
awesome-synthetic-datasets - 大语言模型合成数据集资源汇总
CosmopediaGithubSelf-InstructTinyStories合成数据集大语言模型开源项目
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。
FlagData - 多功能数据处理工具包 优化AI模型开发流程
FlagDataGithub人工智能大规模预训练开源项目数据处理数据清洗
FlagData是一款综合性数据处理工具包，专为自然语言处理和计算机视觉等AI领域设计。该工具集成数据获取、准备、预处理和分析功能，支持高质量内容提取、大模型数据微调和分布式处理。最新的3.0.0版本扩展了数据类型支持，并提供丰富的自定义操作选项，简化了高质量数据生成流程。FlagData旨在为AI模型开发全周期提供高效的数据处理支持。
awesome-instruction-dataset - 开源的多任务多语言指令微调数据集
AlpacaChatGPTGithubLLMsRLHF开源项目数据集
该项目收录了一系列开源指令微调数据集，用以训练基于聊天的LLM（如GPT-4、ChatGPT、LLaMA、Alpaca）。数据集包括视觉指令微调、文本指令微调和人类反馈增强学习（RLHF）数据集。项目提供了详尽的数据集列表，方便研究人员和开发人员使用这些资源。支持多任务和多语言，覆盖英语、中文等多种语言数据，数据集来源多样，包括人类生成、自我指令生成以及混合数据集，适合多种LLM训练需要。
相关项目
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号