Nerfgun3 / bad_prompt
用于Stable Diffusion的负向提示嵌入向量。
3年前更新
项目方资料核对
- 将常用的负向提示词骨架训练为单一嵌入,省去每次手写长负面 prompt 的麻烦
- 与某些环境组合时触发 torch.cuda.HalfTensor 类型不匹配的 RuntimeError
4 个来源 · 截至 2026-06-20
2026-05-24 收录的数据集（6）
本页记录当日收录项目。
allenai / dolma
包含3万亿token的英文语料，用于语言模型预训练研究。
2年前更新
项目方资料核对
- 提供了可公开获取的大规模预训练语料，使研究者能间接研究甚至审查闭源模型的训练数据构成
- 采用 AI2 Impact License 而非标准开放许可（如 CC），商用存在限制
3 个来源 · 截至 2026-06-20
roneneldan / TinyStories
由GPT-3.5/4生成的短篇故事，词汇量小。
2年前更新
项目方资料核对
- 为小规模语言模型训练与实验提供可控、低资源需求的合成文本数据
4 个来源 · 截至 2026-06-20
tatsu-lab / alpaca
由OpenAI text-davinci-003生成的指令和演示数据。
3年前更新
项目方资料核对
- 提供了 52K 条 Self-Instruct 生成的指令跟随数据，降低了指令微调研究的复现门槛
- 合成数据存在指令与回复拼接错误等标注噪声
3 个来源 · 截至 2026-06-20
databricks / databricks-dolly-15k
Databricks员工生成的指令跟随数据，覆盖多种任务类别。
3年前更新
项目方资料核对
- 提供了首个开源、可商用的真人标注指令微调数据集，填补了空白
- 原始数据存在 PII、毒性内容、非正式语言等质量问题，社区已有 Cleanlab 清洗版
4 个来源 · 截至 2026-06-20
tiiuae / falcon-refinedweb
从CommonCrawl过滤去重得到的大型英文网页数据集。
3年前更新
项目方资料核对
- Apache 2.0 许可，商用友好
- 样本中存在大量低质量网页噪音，如博客评论、无效短文本、断句碎片
4 个来源 · 截至 2026-06-20