官方服务：
资源简介：
Best-used for Training LLMs
适用于大语言模型训练之最佳选择
应用场景：
创建时间：
2024-08-23
相关数据集
Heralax/antiquated-warfare
这是一个用于指令调优的数据集，包含300万个可训练的token，使用Augmentoolkit生成，涵盖了多本Project Gutenberg书籍的内容，主要涉及古老的战争形式，如拿破仑战争或线性战争。数据集包含三种类型：vanilla、negative和long，分别用于简单问答、纠正错误问题和提供详细回答。数据集生成时使用了Llama 3 70b模型，因此根据许可证，该数据集仅可用于改进Ll
Hugging Face2024-07-02 更新490
D450_Chinese_Medical_Question_Answering_Parsing_And_Processing_D
医疗类多轮问答数据集包含203,029组医疗场景下的多轮问答数据，每组对话记录了患者和医生的对话过程，包括疾病类别和问答过程。
Opencsg2026-03-04 更新150
xlr8harder/wildchat-filtered-prompts
该数据集包含从WildChat中提取的328,875个独特的用户提示，经过多阶段处理流程去除了重复、垃圾和低质量内容。原始数据集为allenai/WildChat，包含3,185,010个对话轮次，经过处理后减少了90%。处理流程包括提取第一用户消息、基本过滤（长度和语言）、模糊去重、N-gram垃圾检测和聚类垃圾检测。数据集格式为JSONL，每行一个提示。
Hugging Face2025-12-17 更新130
ringo1-CoT_demo.json, openr1-SFT.json, magpie-r1.json, alpaca_gpt4_data_zh.json, tiny_alpaca_XXX, tiny_alpaca_zh-distill-o3.json, tiny_alpaca_zh-distill-gpt4o.json, tiny_alpaca_zh-distill-local.json, alpaca_r1_data_zh-remote.json, alpaca_r1_data_zh-localpost.json
ringo1-CoT_demo.json是英文为主，混合中文的数据集；openr1-SFT.json是中英文混杂的数据集；magpie-r1.json是全英文的数据集；alpaca_gpt4_data_zh.json是基础语料来源于alpaca的中文数据集；tiny_alpaca_XXX、tiny_alpaca_zh-distill-o3.json、tiny_alpaca_zh-distill-g
github2025-02-08 更新170
PTB dataset
This is a text dataset which i will use for my text prediction research work.
NIAID Data Ecosystem150
