DataGen 是数据集领域的开源项目，由 HowieHwong 开发，2024 年首次发布。
它收录于数据集分类，该分类目前共有 279 个项目，GitHub 星标数为 69。
项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-07-07。可自行部署使用，完全免费。
它主要面向的使用场景是：为垂直领域模型微调生成训练样本。同类可对比的替代方案包括 DataDreamer、Self-Instruct、LangChain Data Generator。
DataGen
用大模型一键生成定制化训练数据，告别数据荒
DataGen 是一个基于大型语言模型（LLM）的统一合成数据集生成框架，相关论文已被 ICLR 2025 接收。它旨在解决真实数据获取成本高、隐私受限以及特定场景数据稀缺的问题，通过 LLM 自动生成高质量、多样化的合成数据，以支持下游模型训练、评估和微调。其核心能力包括：支持多种数据模态和任务类型的统一生成流程，提供可配置的生成策略以控制数据分布和难度，并集成数据过滤与质量评估机制，确保生成数据的可用性。项目目前处于早期阶段，代码库以 Python 为主，提供了简洁的 API 接口和示例脚本，便于研究者快速上手。
开源
free
开源模型
GitHub 星标
★ 69
维护状态
低维护
是否开源
是
定价模式
free
项目数据
分类开源模型
开发团队HowieHwong
所属国家
定价模式free
价格说明开源项目，可自行部署使用，完全免费。
访问状态
是否开源是
开源协议
主要语言Python
技术栈/模型benchmark,dataset,dataset-generation,large-language-models,llm,synthetic-data,toolkit
GitHub 星标★ 69
30天Star增速
HF 下载量
上线时间2024-05-26 00:00:00
最近更新2026-07-07 00:00:00
维护状态低维护
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数15
使用教程
核心亮点
- 统一框架覆盖分类、生成、问答等多任务，减少重复开发
- 基于 ICLR 论文，生成策略有理论支撑，质量有保障
- 提供可配置参数，能按需调整数据难度和多样性
不足之处
- 文档/社区待观察
- 项目处于早期，API 和功能可能不够稳定
适用场景
- 为垂直领域模型微调生成训练样本
- 在隐私敏感场景下替代真实数据用于评估
- 快速扩充小样本数据集以提升模型泛化能力
替代项目
DataDreamer、Self-Instruct、LangChain Data Generator
项目介绍
上一篇：MathPile
下一篇：LLM-PuzzleTest
同类项目推荐
X-AnyLabeling
开源
一站式AI辅助标注，图像视频文本通吃，导出格式随心配
X-AnyLabeling: A lightweight, efficient, and unified cross-platform desktop applicat···
aisheets
开源
像用表格一样批量调 AI，不写代码就能造和改数据集
Build, enrich, and transform datasets using AI models with no code
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 ···
DataGen
开源
用大模型一键生成定制化训练数据，告别数据荒
[ICLR'25] DataGen: Unified Synthetic Dataset Generation via Large Language Models