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
这是一个精选合成文本数据集和生成工具的资源列表，旨在帮助AI开发者解决真实数据获取难、成本高、隐私风险大等问题。项目系统梳理了各类合成数据资源，包括通用指令数据、对话数据、推理数据、代码数据等，并覆盖了从数据生成、过滤到评估的完整工具链。它按任务类型（如指令遵循、多轮对话、数学推理）和领域（如代码、医疗、金融）分类，收录了如Self-Instruct、Alpaca、Evol-Instruct等经典方法和最新开源数据集。对于需要快速构建或获取高质量训练数据的研究者和工程师，该列表提供了清晰的导航，能显著降低寻找和比较合成数据方案的时间成本。
项目数据
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
项目介绍
同类项目推荐
SynLogic
开源
大规模合成可验证推理数据，让模型逻辑更聪明
[NeurIPS 2025] The official repo of SynLogic: Synthesizing Verifiable Reasoning Data···
OpenConstructionEstimate-DDC-CWI···
开源
让AI代理秒查全球建筑成本数据，造价估算更智能。
Open multilingual construction cost database for AI Agents - 55K+ work items, 27K+ r···
distilabel
开源
基于论文的合成数据流水线，快速生成高质量 AI 反馈数据。
Distilabel is a framework for synthetic data and AI feedback for engineers who need ···
SDGym
开源
一键跑分，对比各种合成数据生成算法
Benchmarking synthetic data generation methods.