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
Llama-2-13b-hf - Meta开源的130亿参数语言模型 适用于多种NLP任务
GithubHuggingfaceLlama 2人工智能元宇宙大语言模型开源项目模型自然语言处理
Llama-2-13b-hf是Meta开发的大规模语言模型,拥有130亿参数。该模型在2万亿tokens的公开数据上预训练,采用优化的Transformer架构。它支持对话、问答、文本生成等多种NLP任务。与Llama 1相比,Llama 2在代码、常识推理、世界知识等基准测试中表现更佳。此模型开源可用于商业和研究,为AI应用开发奠定了基础。
OmniCorpus - 百亿级图文交错数据集推动多模态AI研究新高度
GithubOmniCorpus图像文本交错多模态数据集大规模数据开源项目数据处理管道
OmniCorpus是一个大规模多模态数据集，包含86亿张图像和1,696亿个文本标记。该数据集提供中英双语内容，涵盖从网站和视频平台提取的文本和视觉文档，具有高度的数据多样性和灵活性。与之前最大的数据集LAION-5B相比，OmniCorpus在图像和文本规模上分别大1.7倍和12.5倍，同时保持了优秀的数据质量。研究表明，基于此数据集训练的模型在图像描述和视觉问答等任务中表现出色。OmniCorpus采用流式数据格式，可适应多种数据结构，包括纯文本语料库、图文对和交错数据格式。这一特性使其在自然语言处理、计算机视觉和多模态AI等领域的研究和应用中具有广泛潜力。
OLMo-7B - 专注于语言模型科学的开放模型
GithubHuggingfaceOLMo开源项目模型模型性能训练数据集语言模型
OLMo系列模型由Allen Institute for AI开发，旨在推进语言模型科学。该系列模型使用Dolma数据集进行训练，提供诸如OLMo 7B等多种版本及详细的训练检查点和代码支持。这些模型可用于英文学术研究，并可在Hugging Face平台上获取。项目获得哈佛大学、Databricks、AMD等机构支持，并在MMLU测试中显示出明显的性能提升。
LLaMA-Cult-and-More - 最新大模型参数、微调数据和硬件需求解析
AnthropicEfficient训练GithubMetaOpenAI多模态LLM开源项目
LLaMA-Cult-and-More项目详细介绍了最新大模型的参数数量、微调数据集与技术，并提供LLM对齐后训练的实用指南，包括数据集、基准数据集和高效训练库。从预训练模型到后训练模型，项目涵盖了许多有趣的内容，帮助您了解关键功能和最新进展。
Chinese-Llama-2-7b - 开源且可商用的中文Llama2模型，兼容中英文SFT数据集与llama-2-chat格式
Chinese Llama 2 7BGithubHuggingFaceLlama2开源项目模型开源量化模型
项目提供开源且商用的中文Llama2模型及中英文SFT数据集，兼容llama-2-chat格式并支持优化。项目包含在线演示、多模态模型、Docker部署和API接口，支持多种硬件配置，用户可快速下载与测试。
CDial-GPT - 大规模中文短文本对话数据集及中文预训练对话模型
CDial-GPTGithubLCCC中文对话数据集对话生成开源项目预训练模型
CDial-GPT 借助丰富的中文对话数据集和创新的机器学习技术为语言模型预训练提供解决方案。平台提供多样化的预训练模型，便于微调和实际应用，同时支持通过 HuggingFace 访问，适用于多场景如客服自动化和聊天机器人，推进中文自然语言处理的发展。
bagel - 综合数据源与多样化技术的大语言模型训练框架
BagelDPOGithub关键词选择开源项目微调数据集
Bagel是一个综合性大语言模型训练框架，融合多种数据源和先进技术。该项目利用多样化数据集进行监督微调(SFT)和直接偏好优化(DPO)，包括指令、对话和纯文本数据。Bagel采用vicuna、llama-2、alpaca和chat-ml等多种提示格式，旨在提升模型泛化能力。通过SFT和DPO两阶段训练，Bagel致力于打造功能完善、性能优异的语言模型。
multiwoz - 大规模多领域任务型对话数据集
GithubMultiWOZ任务型对话对话状态追踪对话生成开源项目数据集
MultiWOZ是一个包含10,000多个人类对话的全标注多领域任务型对话数据集。它涵盖多个领域和主题，规模超过以往任务型语料库。该数据集为对话状态追踪、响应生成等任务提供基准测试，并通过版本更新持续提高数据质量。MultiWOZ为对话系统研究提供了重要资源，促进了该领域的发展。
LLM2LLM - 探索迭代数据增强提升语言模型性能
GSM8KGithubLLM2LLM大语言模型开源项目数据增强迭代学习
LLM2LLM项目提出了一种迭代数据增强方法，旨在提升大型语言模型的性能。该方法通过数据生成和筛选，创建高质量训练数据，逐步改进模型能力。研究团队在GSM8K等数据集上的实验证实了方法的有效性。项目已开源代码并提供复现指南，为相关研究和开发工作提供了参考资源。
audio-dataset - LAION音频数据集收集与处理开源计划
CLAPGithubLAIONwebdataset开源项目音频数据集
LAION发起的Audio Dataset Project致力于收集和处理大规模音频-文本对数据集。项目团队由Mila和UCSD的研究人员及全球贡献者组成，专注于数据收集、标准化处理和webdataset格式存储。该项目为CLAP等模型训练提供数据支持，并设有完善的贡献指南和进度跟踪系统，欢迎更多贡献者参与。
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

白日梦AI

白日梦AI提供专注于AI视频生成的多样化功能，包括文生视频、动态画面和形象生成等，帮助用户快速上手，创造专业级内容。

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

讯飞绘镜

讯飞绘镜是一个支持从创意到完整视频创作的智能平台，用户可以快速生成视频素材并创作独特的音乐视频和故事。平台提供多样化的主题和精选作品，帮助用户探索创意灵感。

Project Cover

讯飞文书

讯飞文书依托讯飞星火大模型，为文书写作者提供从素材筹备到稿件撰写及审稿的全程支持。通过录音智记和以稿写稿等功能，满足事务性工作的高频需求，帮助撰稿人节省精力，提高效率，优化工作与生活。

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

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