相关数据集
internlm/Lean-Workbook
该数据集包含在Lean 4中形式化的竞赛级数学问题。数据集分为Lean Workbook和Lean Workbook Plus两部分，分别包含57231个和82893个问题。每个问题都提供了自然语言陈述、答案、形式化陈述和形式化证明（如果可用）。这些数据可以支持自动形式化模型的训练和证明搜索。数据集的开源代码和数据链接已提供，测试环境基于Lean v4.8.0-rc1和相同版本的Mathlib4。
Hugging Face2024-10-09 更新1770
internlm/Condor-SFT-20K
Condor是一个用于生成监督微调（SFT）高质量数据的数据集，由InternLM开发。它包含两个阶段：数据合成阶段和数据精炼阶段。数据合成阶段利用世界知识树来生成数据，而数据精炼阶段则采用自我反思精炼策略来优化响应。Condor旨在帮助大型语言模型（LLMs）提高对话能力，特别是在只有少量高质量数据的情况下。数据集适用于文本生成任务，并支持英文和中文。
Hugging Face2025-01-23 更新490
internlm/STAR-Bench
--- license: cc-by-nc-4.0 modalities: - audio - text language: - en task_categories: - audio-text-to-text tags: - 4d-intelligence - spatio-temporal-reasoning - audio-reasoning - audio-benchmark config
Hugging Face2025-11-09 更新260
internlm/CapRL-2M
CapRL-2M数据集包含来自ShareGPT-1M和DenseFusion-1M的两个图像集合，使用CapRL-3B模型重新注释了高质量的字幕，总计200万个样本。该数据集适用于图像字幕任务，特别是CapRL-3B模型能够生成具有良好组织结构、详细描述自然图像的字幕。
Hugging Face2026-04-16 更新670
internlm/Agent-FLAN
Agent-FLAN数据集旨在通过微调大型语言模型（LLMs）来提升其在代理任务中的表现。该数据集由AgentInstruct、Toolbench和定制的负面代理样本组成，采用特定的数据生成管道进行训练。数据集的特征包括对话格式，每个对话包含角色、内容和损失等字段。通过精心设计的训练语料库，Agent-FLAN使Llama2-7B模型在各种代理评估数据集上表现优于之前的最佳工作，并显著减轻了幻觉问
Hugging Face2024-03-20 更新410
