[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-chaoswork--sft_datasets":3,"tool-chaoswork--sft_datasets":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":79,"owner_url":80,"languages":79,"stars":81,"forks":82,"last_commit_at":83,"license":79,"difficulty_score":84,"env_os":85,"env_gpu":86,"env_ram":86,"env_deps":87,"category_tags":90,"github_topics":91,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":97,"updated_at":98,"faqs":99,"releases":100},2929,"chaoswork\u002Fsft_datasets","sft_datasets","开源SFT数据集整理,随时补充","sft_datasets 是一个专注于整理和汇总开源监督微调（SFT）数据集的项目，旨在为中文及多语言大模型的训练提供一站式数据资源库。在大模型落地过程中，高质量、多样化的指令数据往往是制约模型效果的关键瓶颈，而分散的数据源又增加了收集与清洗的难度。sft_datasets 通过系统性地梳理包括 Belle、Firefly、GAOKAO、COIG 等在内的数十个主流数据集，详细标注了数据规模、语言类型、任务范畴（如数学推理、对话、翻译、摘要等）及生成方式，有效解决了研究者寻找合适训练数据耗时费力的问题。\n\n该项目特别适合 AI 研究人员、大模型开发者以及算法工程师使用。无论是希望复现经典论文实验，还是计划针对特定领域（如高考题目、学术论文、多模态图文）进行模型微调，用户都能在此快速定位到所需资源。其独特亮点在于不仅涵盖了纯人工编写的高质量指令，还整合了基于文本生成模型（如 text-davinci-003、GPT-4）合成的数据，以及包含思维链（CoT）推理过程的复杂样本，为提升模型的逻辑推理与泛化能力提供了丰富素材。作为一个持续更新的项目，sft_datasets 致力于伴随社区发展","sft_datasets 是一个专注于整理和汇总开源监督微调（SFT）数据集的项目，旨在为中文及多语言大模型的训练提供一站式数据资源库。在大模型落地过程中，高质量、多样化的指令数据往往是制约模型效果的关键瓶颈，而分散的数据源又增加了收集与清洗的难度。sft_datasets 通过系统性地梳理包括 Belle、Firefly、GAOKAO、COIG 等在内的数十个主流数据集，详细标注了数据规模、语言类型、任务范畴（如数学推理、对话、翻译、摘要等）及生成方式，有效解决了研究者寻找合适训练数据耗时费力的问题。\n\n该项目特别适合 AI 研究人员、大模型开发者以及算法工程师使用。无论是希望复现经典论文实验，还是计划针对特定领域（如高考题目、学术论文、多模态图文）进行模型微调，用户都能在此快速定位到所需资源。其独特亮点在于不仅涵盖了纯人工编写的高质量指令，还整合了基于文本生成模型（如 text-davinci-003、GPT-4）合成的数据，以及包含思维链（CoT）推理过程的复杂样本，为提升模型的逻辑推理与泛化能力提供了丰富素材。作为一个持续更新的项目，sft_datasets 致力于伴随社区发展随时补充新数据，是构建高性能大语言模型不可或缺的实用工具。","# 开源SFT数据集整理\n\n\n\n| 数据集                                                                                 | 数目     | Lang  | Task  | Gen | 类型                                      | 来源                    | 链接                                                                                       |\n|-------------------------------------------------------------------------------------- |-------- |----- |----- |--- |----------------------------------------- |----------------------- |------------------------------------------------------------------------------------------ |\n| [belle\\_cn](https:\u002F\u002Fhuggingface.co\u002FBelleGroup)                                         | 1079517  | CN    | TS\u002FMT | SI  | 通用指令，数学推理，对话                  | text-davunci-003        | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002Fbelle_cn)             |\n| [firefly](https:\u002F\u002Fgithub.com\u002Fyangjianxin1\u002FFirefly)                                     | 1649398  | CN    | MT    | COL | 23种nlp任务                               | 收集中文数据集，人工书写指令模板 | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002Ffirefly)              |\n| [GAOKAO](https:\u002F\u002Fgithub.com\u002FOpenLMLab\u002FGAOKAO-Bench)                                    | 2785     | CN    | MT    | COL | 高考中的多选，填空等问题                  | 人工标注的数据集的收集  | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FGAOKAO)               |\n| [COIG](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FBAAI\u002FCOIG)                                      | 298428   | CN    | MT    | COL | 考试，翻译，价值观指令数据集搜集，基于知识图谱的反事实对话 | 自动化工具+人工验证     | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FCOIG)                 |\n| [pCLUE](https:\u002F\u002Fgithub.com\u002FCLUEbenchmark\u002FpCLUE)                                        | 1200705  | CN    | MT    |     | 73个Prompt,分类，推理，关键词识别，阅读理解等9个NLP任务 |                         | [下载](https:\u002F\u002Fgithub.com\u002FCLUEbenchmark\u002FpCLUE\u002Ftree\u002Fmain\u002Fdatasets)                          |\n| [CSL](https:\u002F\u002Fgithub.com\u002Fydli-ai\u002FCSL)                                                  | 396209   | CN    | MT    |     | 40万中文论文元数据，26个Prompt            |                         | [下载](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1xEDgtqHU4qm0Sp-dKjc5KerAmWydmh3-\u002Fview?usp=sharing) |\n| [CNewSum](https:\u002F\u002Fdqwang122.github.io\u002Fprojects\u002FCNewSum\u002F)                               | 304307   | CN    | TS    |     | 字节与UCSB发布的中文摘要数据集            |                         | [下载](https:\u002F\u002Fdrive.google.com\u002Fu\u002F0\u002Fuc?id=1A_YcQ3cBAI7u9iVIoCeVLLgwU7UUzHHv&export=download) |\n| [Coco-cn](https:\u002F\u002Fgithub.com\u002Fli-xirong\u002Fcoco-cn)                                        |          | CN    | TS    |     | 图文多模态                                |                         | [下载](https:\u002F\u002Fgithub.com\u002Fli-xirong\u002Fcoco-cn)                                               |\n| [news\\_commentary](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fnews_commentary\u002Fviewer\u002Fen-zh\u002Ftrain) | 69200    | EN\u002FCN | TS    |     | 中英文翻译数据                            |                         | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fnews_commentary\u002Fviewer\u002Fen-zh\u002Ftrain)                 |\n| [Chain of Thought](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002FFLAN)                            | 74771    | EN\u002FCN | MT    | HG  | CoT相关任务                               | 人在现有数据集上标注CoT | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FChain-of-Thought)     |\n| [HC3](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FHello-SimpleAI\u002FHC3)                              | 37175    | EN\u002FCN | TS    | MIX | 对话评估                                  | gpt-3.5 或 人工         | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FHC3)                  |\n| [instinwild](https:\u002F\u002Fgithub.com\u002FXueFuzhao\u002FInstructionWild)                             | 52191    | EN\u002FCN | MT    | SI  | 生成，开放域问答，头脑风暴                | text-davunci-003        | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002Finstinwild)           |\n| [Alpaca\\_GPT4](https:\u002F\u002Fgithub.com\u002FInstruction-Tuning-with-GPT-4\u002FGPT-4-LLM)             | 52002    | EN\u002FCN | MT    | SI  | 通用指令                                  | GPT-4 生成的Alpaca数据  | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FalpacaGPT4)           |\n| [MOSS](https:\u002F\u002Fgithub.com\u002FOpenLMLab\u002FMOSS)                                              | 1583595  | EN\u002FCN | SI    |     |                                           |                         | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FMOSS)                 |\n| [LLMZoo](https:\u002F\u002Fgithub.com\u002FFreedomIntelligence\u002FLLMZoo)                                |          | ML    |       |     |                                           |                         | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FFreedomIntelligence\u002Fphoenix-sft-data-v1\u002Ftree\u002Fmain)  |\n| [Guanaco](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FJosephusCheung\u002FGuanacoDataset)               | 534610   | ML    | MT    | SI  | 多种nlp任务                               | text-davinci-003        | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FGuanaco)              |\n| [Natural Instructions](https:\u002F\u002Fgithub.com\u002Fallenai\u002Fnatural-instructions)                | 5040134  | ML    | MT    | COL | 多种nlp任务                               | 人工标注的数据集的收集  | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FNatural-Instructions) |\n| [xP3](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fbigscience\u002FxP3)                                  | 78883588 | ML    | MT    | COL | 多种nlp任务                               | 人工标注的数据集的收集  | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FxP3)                  |\n| [alpaca](https:\u002F\u002Fgithub.com\u002Ftatsu-lab\u002Fstanford_alpaca)                                 | 52002    | EN    | MT    | SI  | 通用指令                                  | text-davinci-003        | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002Falpaca)               |\n| [GPT4all](https:\u002F\u002Fgithub.com\u002Fnomic-ai\u002Fgpt4all)                                         | 806199   | EN    | MT    | COL | 代码，故事，对话                          | GPT-3.5-turbo 蒸馏      | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FGPT4all)              |\n| [GPTeacher](https:\u002F\u002Fgithub.com\u002Fteknium1\u002FGPTeacher)                                     | 29013    | EN    | MT    | SI  | 通用，角色扮演，工具指令                  | GPT-4 & toolformer      | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FGPTeacher)            |\n| [prosocial dialog](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fallenai\u002Fprosocial-dialog)           | 165681   | EN    | TS    | MIX | 对话                                      | GPT-3改写问题，人工回复 | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002Fprosocial-dialog)     |\n| [finance\\_en](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fgbharti\u002Ffinance-alpaca)                  | 68912    | EN    | TS    | COL | 金融领域问答                              | GPT3.5                  | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002F)                     |\n| [instruct](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fswype\u002Finstruct)                             | 888969   | EN    | MT    | COL | GPT4All，Alpaca和开源数据集的增强         | 使用AllenAI提供的nlp增强工具 | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002Finstruct)             |\n| [Code Alpaca](https:\u002F\u002Fgithub.com\u002Fsahil280114\u002Fcodealpaca)                               | 20022    | EN    | SI    | SI  | 代码生成，编辑，优化                      | text-davinci-003        | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FCodeAlpaca)           |\n| [webGPT](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fopenai\u002Fwebgpt_comparisons)                    | 18994    | EN    | TS    | MIX | 信息检索问答                              | fine-tuned GPT-3 + 人工评估 | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FwebGPT)               |\n| [dolly 2.0](https:\u002F\u002Fgithub.com\u002Fdatabrickslabs\u002Fdolly)                                   | 15015    | EN    | TS    | HG  | 公开、封闭式问答、信息抽取、摘要生成、开放式构思、分类以及创意写作七类任务 | 人工标注                | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002Fdolly)                |\n| [baize](https:\u002F\u002Fgithub.com\u002Fproject-baize\u002Fbaize-chatbot)                                | 653699   | EN    | MT    | COL | Alpaca和多种问答任务                      | 人工标注的数据集的收集  | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002Fbaize)                |\n| [hh-rlhf](https:\u002F\u002Fgithub.com\u002Fanthropics\u002Fhh-rlhf)                                       | 284517   | EN    | TS    | MIX | 对话                                      | RLHF models             | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002Fhh-rlhf)              |\n| [OIG(part)](https:\u002F\u002Flaion.ai\u002Fblog\u002Foig-dataset\u002F)                                        | 49237    | EN    | MT    | COL | 多种nlp任务                               | 人工标注的数据集的收集和数据增强 | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FOIG)                  |\n| [camel](https:\u002F\u002Fgithub.com\u002Flightaime\u002Fcamel)                                            | 760620   | EN    | MT    | SI  | 物理生物化学编程，数学，社会等领域的角色扮演对话人工标注的数据集的收集 | gpt-3.5-turbo 生成      | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002Fcamel)                |\n| [FLAN-Muffin](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FMuennighoff\u002Fflan)                        | 1764800  | EN    | MT    | COL | 60种nlp任务                               | 人工标注的数据集的收集  | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FFLAN-Muffin)          |\n| [GPT4Tools](https:\u002F\u002Fgithub.com\u002FStevenGrove\u002FGPT4Tools)                                  | 71446    | EN    | MT    | SI  | a collection of tool-related instructions | gpt-3.5-turbo           | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002Fgpt4tools)            |\n| [ShareChat](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FRyokoAI\u002FShareGPT52K)                       | 1663241  | EN    | MT    | MIX | general instruct                          | 收集ShareGPT            | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FShareGPT)             |\n| [Auto CoT](https:\u002F\u002Fgithub.com\u002Famazon-science\u002Fauto-cot)                                 |          | EN    |       |     |                                           |                         | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FAuto-CoT)             |\n| [ultrachat](https:\u002F\u002Fgithub.com\u002Fthunlp\u002FUltraChat)                                       | 28247446 | EN    |       |     |                                           |                         | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002Fultrachat)            |\n| [StackLLaMA](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Flvwerra\u002Fstack-exchange-paired)            | todo     | EN    |       |     |                                           |                         |                                                                                            |\n","# 开源SFT数据集整理\n\n| 数据集                                                                                 | 数目     | Lang  | Task  | Gen | 类型                                      | 来源                    | 链接                                                                                       |\n|-------------------------------------------------------------------------------------- |-------- |----- |----- |--- |----------------------------------------- |----------------------- |------------------------------------------------------------------------------------------ |\n| [belle\\_cn](https:\u002F\u002Fhuggingface.co\u002FBelleGroup)                                         | 1079517  | CN    | TS\u002FMT | SI  | 通用指令，数学推理，对话                  | text-davunci-003        | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002Fbelle_cn)             |\n| [firefly](https:\u002F\u002Fgithub.com\u002Fyangjianxin1\u002FFirefly)                                     | 1649398  | CN    | MT    | COL | 23种nlp任务                               | 收集中文数据集，人工书写指令模板 | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002Ffirefly)              |\n| [GAOKAO](https:\u002F\u002Fgithub.com\u002FOpenLMLab\u002FGAOKAO-Bench)                                    | 2785     | CN    | MT    | COL | 高考中的多选，填空等问题                  | 人工标注的数据集的收集  | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FGAOKAO)               |\n| [COIG](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FBAAI\u002FCOIG)                                      | 298428   | CN    | MT    | COL | 考试，翻译，价值观指令数据集搜集，基于知识图谱的反事实对话 | 自动化工具+人工验证     | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FCOIG)                 |\n| [pCLUE](https:\u002F\u002Fgithub.com\u002FCLUEbenchmark\u002FpCLUE)                                        | 1200705  | CN    | MT    |     | 73个Prompt,分类，推理，关键词识别，阅读理解等9个NLP任务 |                         | [下载](https:\u002F\u002Fgithub.com\u002FCLUEbenchmark\u002FpCLUE\u002Ftree\u002Fmain\u002Fdatasets)                          |\n| [CSL](https:\u002F\u002Fgithub.com\u002Fydli-ai\u002FCSL)                                                  | 396209   | CN    | MT    |     | 40万中文论文元数据，26个Prompt            |                         | [下载](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1xEDgtqHU4qm0Sp-dKjc5KerAmWydmh3-\u002Fview?usp=sharing) |\n| [CNewSum](https:\u002F\u002Fdqwang122.github.io\u002Fprojects\u002FCNewSum\u002F)                               | 304307   | CN    | TS    |     | 字节与UCSB发布的中文摘要数据集            |                         | [下载](https:\u002F\u002Fdrive.google.com\u002Fu\u002F0\u002Fuc?id=1A_YcQ3cBAI7u9iVIoCeVLLgwU7UUzHHv&export=download) |\n| [Coco-cn](https:\u002F\u002Fgithub.com\u002Fli-xirong\u002Fcoco-cn)                                        |          | CN    | TS    |     | 图文多模态                                |                         | [下载](https:\u002F\u002Fgithub.com\u002Fli-xirong\u002Fcoco-cn)                                               |\n| [news\\_commentary](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fnews_commentary\u002Fviewer\u002Fen-zh\u002Ftrain) | 69200    | EN\u002FCN | TS    |     | 中英文翻译数据                            |                         | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fnews_commentary\u002Fviewer\u002Fen-zh\u002Ftrain)                 |\n| [Chain of Thought](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002FFLAN)                            | 74771    | EN\u002FCN | MT    | HG  | CoT相关任务                               | 人在现有数据集上标注CoT | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FChain-of-Thought)     |\n| [HC3](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FHello-SimpleAI\u002FHC3)                              | 37175    | EN\u002FCN | TS    | MIX | 对话评估                                  | gpt-3.5 或 人工         | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FHC3)                  |\n| [instinwild](https:\u002F\u002Fgithub.com\u002FXueFuzhao\u002FInstructionWild)                             | 52191    | EN\u002FCN | MT    | SI  | 生成，开放域问答，头脑风暴                | text-davunci-003        | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002Finstinwild)           |\n| [Alpaca\\_GPT4](https:\u002F\u002Fgithub.com\u002FInstruction-Tuning-with-GPT-4\u002FGPT-4-LLM)             | 52002    | EN\u002FCN | MT    | SI  | 通用指令                                  | GPT-4 生成的Alpaca数据  | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FalpacaGPT4)           |\n| [MOSS](https:\u002F\u002Fgithub.com\u002FOpenLMLab\u002FMOSS)                                              | 1583595  | EN\u002FCN | SI    |     |                                           |                         | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FMOSS)                 |\n| [LLMZoo](https:\u002F\u002Fgithub.com\u002FFreedomIntelligence\u002FLLMZoo)                                |          | ML    |       |     |                                           |                         | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FFreedomIntelligence\u002Fphoenix-sft-data-v1\u002Ftree\u002Fmain)  |\n| [Guanaco](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FJosephusCheung\u002FGuanacoDataset)               | 534610   | ML    | MT    | SI  | 多种nlp任务                               | text-davinci-003        | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FGuanaco)              |\n| [Natural Instructions](https:\u002F\u002Fgithub.com\u002Fallenai\u002Fnatural-instructions)                | 5040134  | ML    | MT    | COL | 多种nlp任务                               | 人工标注的数据集的收集  | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FNatural-Instructions) |\n| [xP3](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fbigscience\u002FxP3)                                  | 78883588 | ML    | MT    | COL | 多种nlp任务                               | 人工标注的数据集的收集  | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FxP3)                  |\n| [alpaca](https:\u002F\u002Fgithub.com\u002Ftatsu-lab\u002Fstanford_alpaca)                                 | 52002    | EN    | MT    | SI  | 通用指令                                  | text-davinci-003        | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002Falpaca)               |\n| [GPT4all](https:\u002F\u002Fgithub.com\u002Fnomic-ai\u002Fgpt4all)                                         | 806199   | EN    | MT    | COL | 代码，故事，对话                          | GPT-3.5-turbo 蒸馏      | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FGPT4all)              |\n| [GPTeacher](https:\u002F\u002Fgithub.com\u002Fteknium1\u002FGPTeacher)                                     | 29013    | EN    | MT    | SI  | 通用，角色扮演，工具指令                  | GPT-4 & toolformer      | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FGPTeacher)            |\n| [prosocial dialog](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fallenai\u002Fprosocial-dialog)           | 165681   | EN    | TS    | MIX | 对话                                      | GPT-3改写问题，人工回复 | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002Fprosocial-dialog)     |\n| [finance\\_en](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fgbharti\u002Ffinance-alpaca)                  | 68912    | EN    | TS    | COL | 金融领域问答                              | GPT3.5                  | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002F)                     |\n| [instruct](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fswype\u002Finstruct)                             | 888969   | EN    | MT    | COL | GPT4All，Alpaca和开源数据集的增强         | 使用AllenAI提供的nlp增强工具 | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002Finstruct)             |\n| [Code Alpaca](https:\u002F\u002Fgithub.com\u002Fsahil280114\u002Fcodealpaca)                               | 20022    | EN    | SI    | SI  | 代码生成，编辑，优化                      | text-davinci-003        | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FCodeAlpaca)           |\n| [webGPT](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Fopenai\u002Fwebgpt_comparisons)                    | 18994    | EN    | TS    | MIX | 信息检索问答                              | fine-tuned GPT-3 + 人工评估 | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FwebGPT)               |\n| [dolly 2.0](https:\u002F\u002Fgithub.com\u002Fdatabrickslabs\u002Fdolly)                                   | 15015    | EN    | TS    | HG  | 公开、封闭式问答、信息抽取、摘要生成、开放式构思、分类以及创意写作七类任务 | 人工标注                | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002Fdolly)                |\n| [baize](https:\u002F\u002Fgithub.com\u002Fproject-baize\u002Fbaize-chatbot)                                | 653699   | EN    | MT    | COL | Alpaca和多种问答任务                      | 人工标注的数据集的收集  | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002Fbaize)                |\n| [hh-rlhf](https:\u002F\u002Fgithub.com\u002Fanthropics\u002Fhh-rlhf)                                       | 284517   | EN    | TS    | MIX | 对话                                      | RLHF models             | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002Fhh-rlhf)              |\n| [OIG(part)](https:\u002F\u002Flaion.ai\u002Fblog\u002Foig-dataset\u002F)                                        | 49237    | EN    | MT    | COL | 多种nlp任务                               | 人工标注的数据集的收集和数据增强 | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FOIG)                  |\n| [camel](https:\u002F\u002Fgithub.com\u002Flightaime\u002Fcamel)                                            | 760620   | EN    | MT    | SI  | 物理生物化学编程，数学，社会等领域的角色扮演对话人工标注的数据集的收集 | gpt-3.5-turbo 生成      | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002Fcamel)                |\n| [FLAN-Muffin](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FMuennighoff\u002Fflan)                        | 1764800  | EN    | MT    | COL | 60种nlp任务                               | 人工标注的数据集的收集  | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FFLAN-Muffin)          |\n| [GPT4Tools](https:\u002F\u002Fgithub.com\u002FStevenGrove\u002FGPT4Tools)                                  | 71446    | EN    | MT    | SI  | a collection of tool-related instructions | gpt-3.5-turbo           | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002Fgpt4tools)            |\n| [ShareChat](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FRyokoAI\u002FShareGPT52K)                       | 1663241  | EN    | MT    | MIX | general instruct                          | 收集ShareGPT            | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FShareGPT)             |\n| [Auto CoT](https:\u002F\u002Fgithub.com\u002Famazon-science\u002Fauto-cot)                                 |          | EN    |       |     |                                           |                         | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002FAuto-CoT)             |\n| [ultrachat](https:\u002F\u002Fgithub.com\u002Fthunlp\u002FUltraChat)                                       | 28247446 | EN    |       |     |                                           |                         | [下载](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002FQingyiSi\u002FAlpaca-CoT\u002Ftree\u002Fmain\u002Fultrachat)            |\n| [StackLLaMA](https:\u002F\u002Fhuggingface.co\u002Fdatasets\u002Flvwerra\u002Fstack-exchange-paired)            | todo     | EN    |       |     |                                           |                         |                                                                                            |","# sft_datasets 快速上手指南\n\n`sft_datasets` 是一个开源的 SFT（监督微调）数据集整理项目，汇集了涵盖中文、英文及多语言的多种任务数据（如指令遵循、对话、推理、代码生成等）。本项目主要提供数据集的索引、元数据整理及下载链接，而非单一的 Python 库。开发者可直接通过提供的链接获取数据用于模型训练。\n\n## 环境准备\n\n在开始使用前，请确保您的开发环境满足以下基本要求：\n\n*   **操作系统**：Linux (推荐 Ubuntu 20.04+), macOS 或 Windows (WSL2)。\n*   **Python 版本**：Python 3.8 或更高版本。\n*   **存储空间**：根据所选数据集大小，建议预留至少 50GB - 100GB 的磁盘空间（部分大型数据集如 xP3 需更多空间）。\n*   **前置依赖**：\n    *   `git`：用于克隆仓库或下载脚本。\n    *   `wget` 或 `curl`：用于直接下载文件。\n    *   `huggingface-cli` (可选但推荐)：用于从 Hugging Face 高速下载数据集。\n    *   稳定的网络连接（访问 Hugging Face 或 GitHub）。\n\n**安装必要工具：**\n\n```bash\n# 安装 Hugging Face CLI 工具\npip install huggingface_hub\n\n# 登录 Hugging Face (如果下载私有或需要鉴权的数据集)\nhuggingface-cli login\n```\n\n> **提示**：国内开发者若访问 Hugging Face 速度慢，可配置镜像源或使用代理加速。\n> ```bash\n> export HF_ENDPOINT=https:\u002F\u002Fhf-mirror.com\n> ```\n\n## 安装步骤\n\n由于 `sft_datasets` 本质是数据集清单与链接集合，**无需安装特定的 Python 包**。获取数据的核心步骤是克隆整理仓库或直接通过链接下载。\n\n### 方式一：克隆项目仓库（获取完整列表与脚本）\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FQingyiSi\u002FAlpaca-CoT.git\ncd Alpaca-CoT\n```\n*注：该项目整理了大量数据集的转换脚本和说明，位于各子目录中。*\n\n### 方式二：直接使用 huggingface-cli 下载特定数据集\n\n以下载热门的中文指令数据集 `belle_cn` 为例：\n\n```bash\n# 设置国内镜像加速 (可选)\nexport HF_ENDPOINT=https:\u002F\u002Fhf-mirror.com\n\n# 下载 belle_cn 数据集到本地目录 .\u002Fdata\u002Fbelle_cn\nhuggingface-cli download --repo-type dataset QingyiSi\u002FAlpaca-CoT --subfolder belle_cn --local-dir .\u002Fdata\u002Fbelle_cn\n```\n\n若要下载其他数据集（如 `firefly`, `alpacaGPT4` 等），只需更改 `--subfolder` 参数为对应的数据集名称。\n\n## 基本使用\n\n下载完成后，数据通常以 `JSON`、`JSONL` 或 `Parquet` 格式存在。以下是使用 Python 加载并预览数据的简单示例。\n\n### 1. 加载 JSONL 格式数据（以 Belle 数据集为例）\n\n大多数整理后的数据集为 JSONL 格式，每行一个独立的样本。\n\n```python\nimport json\n\ndef load_dataset(file_path):\n    data = []\n    with open(file_path, 'r', encoding='utf-8') as f:\n        for line in f:\n            if line.strip():\n                data.append(json.loads(line))\n    return data\n\n# 假设已下载 belle_cn 下的训练文件\nfile_path = \".\u002Fdata\u002Fbelle_cn\u002Ftrain_0.5M.json\" \n\n# 加载数据\ndataset = load_dataset(file_path)\n\n# 查看第一条数据\nprint(f\"总样本数：{len(dataset)}\")\nprint(\"样本示例:\")\nprint(json.dumps(dataset[0], ensure_ascii=False, indent=2))\n```\n\n**输出示例结构：**\n```json\n{\n  \"instruction\": \"计算 123 乘以 456 的结果。\",\n  \"input\": \"\",\n  \"output\": \"123 乘以 456 的结果是 56088。\",\n  \"history\": []\n}\n```\n\n### 2. 使用 Hugging Face Datasets 库加载（推荐）\n\n如果数据集已上传至 Hugging Face Hub 且格式标准，可直接使用 `datasets` 库流式加载，节省内存。\n\n```python\nfrom datasets import load_dataset\n\n# 加载特定子集 (例如 belle_cn)\n# 注意：路径需对应 HF 上的实际 structure，此处以 QingyiSi\u002FAlpaca-CoT 为例\ndataset = load_dataset(\n    \"QingyiSi\u002FAlpaca-CoT\", \n    data_dir=\"belle_cn\", \n    split=\"train\",\n    streaming=True  # 开启流式模式，不一次性下载所有数据\n)\n\n# 遍历前 5 条数据\nfor i, example in enumerate(dataset):\n    if i >= 5:\n        break\n    print(f\"--- Sample {i+1} ---\")\n    print(f\"Instruction: {example.get('instruction', 'N\u002FA')}\")\n    print(f\"Output: {example.get('output', 'N\u002FA')}\")\n```\n\n### 3. 数据格式说明\n\n不同数据集的字段名可能略有差异，常见字段包括：\n*   `instruction`: 指令\u002F问题\n*   `input`: 输入上下文（可选）\n*   `output`: 期望的回答\n*   `history`: 多轮对话历史（列表形式）\n*   `system`: 系统提示词\n\n在使用前建议先打印几条数据确认字段名称，以便构建正确的训练 DataLoader。","某初创团队正致力于开发一款面向中国学生的 AI 全科辅导助手，急需高质量中文数据来微调大模型以应对复杂的考试题目和逻辑推理任务。\n\n### 没有 sft_datasets 时\n- **数据搜集耗时极长**：工程师需手动在 GitHub、Hugging Face 及各高校实验室网站间穿梭，寻找分散的 GAOKAO（高考题）、COIG（价值观与知识图谱）等数据集，耗费数周时间。\n- **格式清洗成本高**：找到的数据格式五花八门，有的缺少标准指令模板，有的混合了英文内容，团队需编写大量脚本进行清洗和对齐，严重拖慢研发进度。\n- **领域覆盖不全**：难以一次性凑齐涵盖数学推理（如 belle_cn）、多轮对话评估（如 HC3）及思维链（CoT）的完整组合，导致模型在特定学科或逻辑任务上表现薄弱。\n- **质量验证困难**：缺乏统一的数据来源说明和生成方式标注（如人工书写还是模型生成），团队不得不花费额外精力评估数据可靠性，存在引入噪声的风险。\n\n### 使用 sft_datasets 后\n- **一站式获取资源**：直接通过 sft_datasets 索引表，几分钟内即可定位并下载 GAOKAO、belle_cn 及 COIG 等关键数据集，将数据准备周期从数周缩短至几天。\n- **标准化预处理**：利用整理好的统一格式和明确的任务类型（如 MT、TS），团队可直接加载数据进行训练，省去了繁琐的格式转换和清洗代码编写工作。\n- **能力维度全面增强**：基于列表中丰富的任务分类，团队灵活组合了包含思维链（Chain of Thought）和开放域问答（instinwild）的数据包，显著提升了模型在复杂推理和互动中的表现。\n- **可信度透明可控**：借助详细的来源标注（如“人工标注”或\"text-davinci-003 生成”），团队能快速筛选出高质量的人工验证数据，确保模型输出的准确性和安全性。\n\nsft_datasets 通过聚合与标准化开源资源，让开发者从繁琐的数据搬运工转变为专注于模型优化的架构师，极大加速了垂直领域大模型的落地进程。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fchaoswork_sft_datasets_73f5fb85.png","chaoswork","Huang Chao","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fchaoswork_7afd1bb2.jpg",null,"https:\u002F\u002Fgithub.com\u002Fchaoswork",575,42,"2026-03-30T05:17:12",1,"","未说明",{"notes":88,"python":86,"dependencies":89},"该项目仅为开源 SFT（监督微调）数据集的整理列表，不包含可执行的代码工具或模型训练脚本，因此无特定的运行环境、GPU、内存或依赖库要求。用户需根据自身使用的训练框架（如 Hugging Face Transformers, DeepSpeed 等）自行配置环境，并通过提供的链接下载相应数据集文件。",[],[51,26,13],[92,93,94,95,96],"datasets","supervised-finetuning","chinese-dataset","large-language-models","llms","2026-03-27T02:49:30.150509","2026-04-06T06:53:23.538361",[],[]]