Corpus for Knowledge-Enhanced Language Model Pre-training (KELM) 专注于将知识图谱三元组（主语、关系、宾语）转换为自然语言句子，用于数据到文本的生成任务。该语料库包含约1800万个句子，涵盖约4500万个三元组和约1500个不同的关系，数据来源于英文维基百科及其相关的知识图谱。数据集包括训练集、验证集和测试集，并采用CC BY-SA

OpenCSG2024-07-19 更新140

WikiTableT

自然语言处理

数据到文本生成

该数据集名为WIKITABLET，它将维基百科的表格数据与其相应的维基百科段落相结合，具有较长的目标文本。该数据集还被用于测试非对称生成现象。在规模上，训练集包含10万个样本，验证集包含2.7千个样本。其任务是数据到文本的生成。

arXiv90

llm-semantic-router/dart-halspans

幻觉检测

数据到文本生成

DART幻觉跨度数据集是一个合成的幻觉检测数据集，源自DART（数据记录到文本）结构化数据。包含2,000个样本，每个样本都有LLM生成的响应和跨度级别的幻觉标注。该数据集的创建是为了增强RAGTruth在Data2txt（结构化数据到文本）任务中的覆盖范围。LLM从DART的结构化数据三元组生成忠实和故意幻觉的响应，然后标注幻觉的跨度。

Hugging Face2026-01-10 更新150

so101-act-grab-lego

机器人技术

视觉触觉数据处理

该数据集是通过LeRobot创建的，主要用于机器人技术领域。数据集包含10个episodes，总计8978帧，30fps的视频数据。数据文件以parquet格式存储，视频以mp4格式存储。数据集的特征包括动作（action）、观测状态（observation.state）、前视图像（observation.images.front）、侧视图像（observation.images.side）、时间

Hugging Face2025-06-27 更新100

ViGGO json

资源简介：

相关数据集