Only Clean Data (OCD)是一个精心策划和清理的文本语料库，旨在为训练基础语言模型提供最高质量的文本数据。数据集包括从C4、PLOS和CCOpenBooks等来源筛选的文本，经过手动检查和修复，确保文本质量。目前数据集包含三个子集：经过过滤的网页数据、经过处理的同行评审研究文章以及非小说类书籍。数据集还在持续开发中，计划扩展更多领域的内容。

Hugging Face2023-12-23 更新250

maghwa/OpenHermes-2-AR-10K-18-600k-610k

语言模型训练

对话生成数据

--- dataset_info: features: - name: topic dtype: 'null' - name: views dtype: float64 - name: category dtype: 'null' - name: avatarUrl dtype: 'null' - name: language dty

Hugging Face2024-02-15 更新160

mehta77/guanaco-llama2-200_1

指令微调

语言模型训练

--- dataset_info: features: - name: text dtype: string splits: - name: train num_bytes: 338808 num_examples: 200 download_size: 201258 dataset_size: 338808 configs: - config_na

Hugging Face2023-09-28 更新80

mayflowergmbh/airoboros-3.0_de

德语文本生成

语言模型训练

这是一个针对[jondurbin/airoboros-3.0](https://huggingface.co/datasets/jondurbin/airoboros-3.0)数据集的德语翻译版本，数据来源于[seedboxventures/multitask_german_examples_32k](https://huggingface.co/datasets/seedboxventures/

Hugging Face2024-02-14 更新170

OpenDataArena/OpenDataArena-scored-data-2603

指令数据集

多维评估

该数据集是一个多配置集合，包含多个子数据集，主要用于代码和数学领域的指令跟随任务。数据集配置包括AM-Thinking-v1-Distilled-code（约323,965个示例）、AM-Thinking-v1-Distilled-math（约558,129个示例）、Code-Feedback（约66,383个示例）、CodeFeedback-Filtered-Instruction（约156,5

Hugging Face2026-05-28 更新100

sam-liu-lmi/databricks-dolly-15k-alpaca-style

资源简介：

数据集概述

许可证信息

相关数据集