awesome-synthetic-datasets
一站式找到好用的合成文本数据集和工具，省去大海捞针
项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整
数据来源：GitHub API 逐日快照 · 收录于 2026-08-12 · 当前星标 ★ 343
核心亮点
- 按任务和领域精细分类，检索效率高
- 不仅列数据集，还收录生成与评估工具，覆盖全流程
- 紧跟LLM热点，收录最新合成数据方法如Self-Instruct等
不足之处
- 部分条目缺少数据规模、质量等关键细节，需自行验证
- 更新频率待观察，可能遗漏最新发布的数据集
适用场景
- 需要快速获取指令微调或对齐用合成数据的LLM开发者
- 研究合成数据生成方法，需要参考现有工具和基线
- 因隐私或成本限制无法使用真实数据，需构建替代训练集的团队
替代项目
awesome-llm-datasets、awesome-dataset-distillation、awesome-data-centric-ai
同类项目推荐
MELD
开源
拿《老友记》训练AI，学会在多模态对话中读懂情绪
MELD: A Multimodal Multi-Party Dataset for Emotion Recognition in Conversation
ObjaversePlusPlus
开源
想要高质量3D数据？Objaverse++ 帮你筛选出精品，训练效果更稳。
[ICCV 2025] Repo for Objaverse++, Curated 3D Object Dataset with Quality Annotations
insuranceqa-corpus-zh
开源
拿保险问答数据，快速训练客服机器人
:helicopter: 保险行业语料库，聊天机器人
Copulas
开源
用 copula 模型生成逼真合成表格数据，解决数据稀缺和隐私问题。
A library to model multivariate data using copulas.
MicroLens
开源
提供多模态短视频数据，助力推荐模型研究。
A Large Short-video Recommendation Dataset with Raw Text/Audio/Image/Videos (Talk In···
KG-MM-Survey
开源
一张清单看懂知识图谱+多模态，快速入门不迷路
Knowledge Graphs Meet Multi-Modal Learning: A Comprehensive Survey
Chatito
开源
用简单DSL快速生成海量NLP训练数据，告别手工标注。
Dataset generation for AI chatbots, NLP tasks, named entity recognition or text clas···
stable-diffusion-regularization-···
开源
下载即用，Stable Diffusion微调的正则化图像包
Stable Diffusion Regularization Images in 512px, 768px and 1024px on 1.5, 2.1 and SD···
Project-Imaging-X
开源
一站式检索1000+医学影像数据集，快速开启基础模型训练
Project Imaging-X: A Survey of 1000+ Open-Access Medical Imaging Datasets for Founda···