COIG-CQIA 全称为 Chinese Open Instruction Generalist – Quality is All You Need，是一个开源的高质量指令微调数据集，旨在为中文 NLP 社区提供高质量且符合人类交互行为的指令微调数据。 COIG-CQIA 以中文互联网获取到的问答及文章作为原始数据，经过深度清洗、重构及人工审核构建而成。

超神经2024-04-12 更新960

firefly-train-1.1M

多语言自然语言处理

文化内容生成

收集了23种常见的中文NLP任务的数据，并且构造了许多与中华文化相关的数据，如对联、作诗、文言文翻译、散文、金庸小说等。对于每个任务，由人工书写若干种指令模板，保证数据的高质量与丰富度，数据量为115万

OpenCSG2024-03-21 更新160

AI4H/EC-Guide

电子商务自然语言处理

大语言模型指令微调

--- license: apache-2.0 size_categories: - 10K<n<100K task_categories: - question-answering - text-generation - translation language: - en - zh - ja - de - es - it - fr configs: - config_name: Generat

Hugging Face2024-08-12 更新100

PJMixers-Dev/O1-OPEN_OpenO1-SFT-Pro-English-CustomShareGPT

大语言模型指令微调

思维链推理数据

数据集在预处理过程中去除了包含中文的样本，具体数量为41729个。剩余样本经过处理，包含了指令（instruction）、思考过程（thinking）和输出（output）等信息。

Hugging Face2025-01-27 更新210

MultiEup-v2

政治文本分析

多语言自然语言处理

Multi-EuP-v2是一个包含欧洲议会辩论演讲的多语言语料库，配备了欧洲议会议员（MEP）的元数据和多语言辩论标题/ID，适用于政治文本分析、演讲者属性预测、立场/投票预测、多语言自然语言处理和信息检索等领域的研究。

Hugging Face2025-08-09 更新140