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 2026-08-09 · 当前星标 ★ 752
使用教程
环境要求
- 浏览器
安装与启动步骤
-
1在线浏览
数据集合集，直接看清单。
# 浏览器打开仓库首页 -
2按用途挑
清单按指令类型与语言分组。
grep -n '^## ' README.md -
3克隆离线
需要批量取链接就克隆。
git clone https://github.com/jianzhnie/awesome-instruction-datasets.git -
4核对许可
用之前先看每个数据集自己的协议。
# 打开数据集主页看 license
如何确认成功
能挑出两个可直接下载的指令数据集并确认其许可条款。
注意事项
- 清单只是索引，下载与清洗要自己做。
- 部分数据集含版权内容，商用前必须核对。
核心亮点
- 覆盖多种指令数据集类型，从提示词到self-instruct，选择丰富
- 每个数据集附有简介和链接，便于快速评估和获取
- 社区维护，持续更新，紧跟大模型训练需求
不足之处
- 列表形式，缺乏数据质量评分或使用反馈
- 部分数据集可能已过时，需自行验证适用性
适用场景
- 研究者寻找特定领域的指令数据用于模型微调
- 开发者对比不同数据集以选择训练ChatLLM的起点
- 教育场景中学习指令数据集构建和分类
替代项目
awesome-chatgpt-prompts、instruction-datasets、datasets-for-instruction-tuning
同类项目推荐
pii-masker
开源
一行代码自动识别并打码敏感信息，保护数据隐私
PII Masker is an open-source tool for protecting sensitive data by automatically det···
Curator
开源
让 LLM 训练数据又快又干净，一键搞定预处理
Scalable data pre processing and curation toolkit for LLMs
dbldatagen
开源
在 Databricks 上快速生成大规模仿真测试数据
Generate relevant synthetic data quickly for your projects. The Databricks Labs syn···
common-voice
开源
众包录制真人语音，免费下载多语言开放语料
Common Voice is part of Mozilla's initiative to help teach machines how real people ···
UltraChat
开源
用海量高质量多轮对话数据，训练更懂你的聊天机器人
Large-scale, Informative, and Diverse Multi-round Chat Data (and Models)
Kokoro-Speech-Dataset
开源
免费日语单说话人语音数据，拿来就能训TTS
A public domain single speaker Japanese speech dataset
University1652-Baseline
开源
拿无人机图像定位全球建筑，跨视角检索基准一键跑通
ACM Multimedia2020 University-1652: A Multi-view Multi-source Benchmark for Drone-ba···
Awesome-AI-Papers
开源
一站式导航，快速找到 AI 前沿论文与代码实现
This repository is used to collect papers and code in the field of AI.
Cosmos-Drive-Dreams
开源
用世界模型生成海量驾驶视频，低成本覆盖极端场景
Cosmos-Drive-Dreams: Scalable Synthetic Driving Data Generation with World Foundatio···