nvidia / Nemotron-Personas-Vietnam
基于越南人口分布生成的合成人物画像数据集
3个月前更新
项目方资料核对
- 为越南及东南亚的本地化/主权AI开发提供开放可商用的数据基础
- 数据集为合成(synthetic)生成，非真实人群采样，在真实场景中的分布代表性未经独立验证
3 个来源 · 截至 2026-06-20
2026-06-08 收录的数据集（7）
本页记录当日收录项目。
Nerfgun3 / bad_prompt
用于稳定扩散的负面提示词嵌入训练数据集
3年前更新
项目方资料核对
- 将负面提示词统一为单个嵌入词，简化负面提示编写
- 会完全改变画面艺术风格，非纯质量增强型嵌入
3 个来源 · 截至 2026-06-20
allenai / dolma
用于语言模型预训练研究的大规模英文开放语料库
2年前更新
已被取代 Dolma 3 Dolmino · Dolma v1 已被 Dolma 3 Dolmino 取代,后者是 OLMo 3 第二阶段退火训练使用的高质量数据池。
项目方资料核对
- 提供可公开获取、可审计的预训练数据，使研究者能间接研究闭源模型的训练数据构成
- 使用 AI2 Impact License 而非标准开放许可
4 个来源 · 截至 2026-06-20
databricks / databricks-dolly-15k
由Databricks员工生成的指令跟随数据集，涵盖多种任务类别
3年前更新
项目方资料核对
- 提供明确允许商用的开源指令微调数据集许可
- Cleanlab清洗版分析显示原始数据存在毒性评分高达0.99、非英语内容评分达0.91等质量问题
3 个来源 · 截至 2026-06-20
roneneldan / TinyStories
使用小词汇量由GPT-3.5和GPT-4生成的短故事数据集
2年前更新
项目方资料核对
- 让极小参数模型（低于5M）产出连贯英文文本
- 数据集为GPT-3.5/GPT-4合成生成，非真实语料
4 个来源 · 截至 2026-06-20
tatsu-lab / alpaca
由OpenAI引擎生成的指令和示范数据集，用于指令微调
3年前更新
项目方资料核对
- 提供了可复现的指令微调基线，52K 条合成数据即可让 7B 模型在 Self-Instruct 评测上接近 text-davinci-003
- 数据存在明显的拼接/格式错误，部分样本中多条 instruction-response 被错误合并
3 个来源 · 截至 2026-06-20
tiiuae / falcon-refinedweb
从CommonCrawl过滤去重构建的大规模英文网络文本数据集
3年前更新
项目方资料核对
- Apache 2.0 许可,商用无额外限制
- CommonCrawl 快照停留在 2013 年,数据时效性远落后于后续网页数据集
4 个来源 · 截至 2026-06-20