数据集 / 归档 / 2026-07-23

2026-07-23 数据集 (9)

LiquidAI / antidoom-mix-v1.0

仅包含提示词的对抗式生成与偏好数据训练混合集

100K–1M

  • 文本
  • 100K–1M
  • 文本生成
  • apache-2.0 · 许可标注允许商用

下载 827 · 收藏 111 · 15天前更新

roneneldan / TinyStories

由GPT-3.5/4生成的仅含小词汇量的短故事数据集

214.2万行 · 17.3 GB

  • 文本
  • 文本生成
  • cdla-sharing-1.0 · 许可标注允许商用

下载 80k · 收藏 1.1k · 1年前更新

Nerfgun3 / bad_prompt

用于稳定扩散的负面提示嵌入数据集

1 行 · 14 MB

  • 图像
  • creativeml-openrail-m · 许可标注允许商用

下载 1.7k · 收藏 957 · 3年前更新

ProCreations / grug-think-v2-10k

---

1.0万行 · 410 MB

  • 人工精选
  • 文本
  • 文本生成
  • apache-2.0 · 许可标注允许商用

下载 125 · 收藏 3 · 11天前更新

allenai / dolma

用于语言模型预训练研究的开放语料库

6.1 TB

  • 文本
  • 文本生成
  • odc-by · 许可标注允许商用

下载 3.2k · 收藏 1.1k · 2年前更新

codeparrot / github-code-clean

---

1102.7万行 · 389.2 GB

  • 人工精选
  • 文本
  • apache-2.0 · 许可标注允许商用

下载 190k · 收藏 142 · 4年前更新

databricks / databricks-dolly-15k

由Databricks员工生成的指令遵循数据集，覆盖多种任务类型

1.5万行 · 267 MB

  • 文本
  • 问答
  • 摘要
  • cc-by-sa-3.0 · 许可标注允许商用

下载 40k · 收藏 1.0k · 3年前更新

tatsu-lab / alpaca

由OpenAI text-davinci-003生成的指令微调数据集

5.2万行 · 319 MB

  • 文本
  • 文本生成
  • cc-by-nc-4.0 · 许可明确限制商用

下载 74k · 收藏 1.0k · 3年前更新

tiiuae / falcon-refinedweb

经过严格过滤和去重的CommonCrawl英文网页数据集

9.68亿行 · 1.7 TB

  • 文本
  • 文本生成
  • odc-by · 许可标注允许商用

下载 45k · 收藏 940 · 3年前更新

← 前一日 2026-07-22 · 后一日 不可用 (已是最新)