一份论文清单，帮你快速掌握LLM数据高效利用的核心方法
这是一个聚焦大语言模型（LLM）数据高效利用与数据中心化方法的论文列表项目，由社区维护，收录了相关领域的前沿研究，并配套了一篇综述论文《Towards Efficient LLM Post Training: A Data-centric Perspective》。该项目旨在解决LLM训练和微调过程中数据使用效率低、数据质量参差不齐、数据成本高昂等问题。核心能力包括：系统整理数据筛选、数据增强、数据配比、数据合成等方向的关键论文；提供数据高效训练的方法论框架；帮助研究者和工程师快速了解数据为中心的训练范式。项目处于早期阶段，星标数不高，但内容结构清晰，适合作为入门该领域的导航工具。
Awesome-LLM、Awesome-Dataset-Distillation、Data-centric-AI
Awesome-Data-Efficient-LLM 是数据集领域的开源项目，由 luo-junyu 开发，2025 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 63。
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 2026-08-17。完全免费，无付费版本。
它主要面向的使用场景是：研究LLM数据高效训练方法的学者快速调研相关论文。同类可对比的替代方案包括 Awesome-LLM、Awesome-Dataset-Distillation、Data-centric-AI。
上一篇：LongICLBench
下一篇：Shot2Story
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
