Awesome-Data-Efficient-LLM
一份论文清单，帮你快速掌握LLM数据高效利用的核心方法
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 ★ 65
技术标签
核心亮点
- 聚焦数据高效与数据中心化，主题明确，切中LLM训练成本痛点
- 配套综述论文，提供系统性的方法论梳理，便于快速入门
- 论文列表持续更新，覆盖数据筛选、合成、配比等关键方向
不足之处
- 项目处于早期，内容覆盖尚不全面，可能遗漏部分重要工作
- 文档/社区待观察，缺乏使用指南或社区讨论
适用场景
- 研究LLM数据高效训练方法的学者快速调研相关论文
- 工程师在微调LLM时寻找数据优化策略的参考
- 初学者通过综述和列表了解数据为中心的训练范式
替代项目
Awesome-LLM、Awesome-Dataset-Distillation、Data-centric-AI
上一篇：LongICLBench
下一篇：Shot2Story
同类项目推荐
datasets
开源
一行代码加载数百个机器学习数据集，省去下载清洗烦恼
TFDS is a collection of datasets ready to use with TensorFlow, Jax, ...
jailbreak_llms
开源
上万条真实越狱提示词，一键测试你的大模型安全防线
[CCS'24] A dataset consists of 15,140 ChatGPT prompts from Reddit, Discord, websites···
label-studio
开源
图片文字音视频都能标，标完直接拿去训练
Label Studio is a multi-type data labeling and annotation tool with standardized out···
awesome-data-centric-ai
开源
一站式收藏数据为中心AI的资源清单，快速找到提升数据质量的工具和方法。
Open-Source Software, Tutorials, and Research on Data-Centric AI
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
ml-hypersim
开源
用苹果合成室内数据，低成本训出强场景理解模型
Hypersim: A Photorealistic Synthetic Dataset for Holistic Indoor Scene Understanding
CTGAN
开源
用 GAN 生成逼真表格数据，解决隐私与数据不足问题
Conditional GAN for generating synthetic tabular data.
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]
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···