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 ★ 322
核心亮点
- 自动生成题目和可运行测试用例，数据质量有保障
- 支持多样化题目类型，覆盖不同编程主题和难度
- 框架设计灵活，可扩展自定义生成逻辑
不足之处
- 早期项目，文档和社区生态尚待完善
- 生成数据的多样性和复杂度可能受限于模板
适用场景
- 为代码生成模型（如CodeLlama）构建微调数据集
- 生成编程评测基准，用于模型能力评估
- 辅助教学场景，自动生成练习题和答案
替代项目
Evol-Instruct、Self-Instruct、CodeContests
同类项目推荐
Chatbot-Training-Corpus
开源
拿来即用的中英文聊天语料，快速启动你的对话模型训练
总结了一些可以用作聊天机器人训练实作的文字语聊，包含中英文不同语言
data-is-better-together
开源
众人一起标注反馈，把零散数据变成高质量数据集
Let's build better datasets, together!
DocCreator
开源
一键批量造带真值的文档图，OCR训练数据不用愁
DIAR software for synthetic document image and groundtruth generation, with various ···
cv-dataset
开源
查 Common Voice 各语言版本元数据，一键定位训练语料
Metadata and versioning details for the Common Voice dataset
datasets
开源
一条命令批量下载 NCBI 基因组数据，省去手动检索。
NCBI Datasets is a new resource that lets you easily gather data from across NCBI da···
sdg_hub
开源
用流水线批量造 LLM 训练数据，省去手写脚本
Synthetic Data Generation Toolkit for LLMs
Active-Learning-as-a-Service
开源
用主动学习智能选数据，省标注成本，提模型效率。
A scalable & efficient active learning/data selection system for everyone.
DataFlow
开源
用 LLM 算子搭流水线，把脏数据一键变成训练集
[SIGMOD'27] Easy Data Preparation with latest LLMs-based Operators and Pipelines.
RS5M
开源
下载500万遥感图文对，训练你的遥感视觉语言模型
RS5M: a large-scale vision language dataset for remote sensing [TGRS]