llm-datasets

一站式查找大模型后训练数据集与工具，告别大海捞针。

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署开源模型 🍴 复刻 408 🐛 待处理 9 👀 关注 55

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 4830

维护状态低维护

是否开源开源

定价模式 🏷️完全免费开源项目，提供数据集和工具列表，完全免费，无付费版本。

项目预览

llm-datasets 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类开源模型

开发团队mlabonne

官网地址https://mlabonne.github.io/blog

GitHubhttps://github.com/mlabonne/llm-datasets

定价模式🏷️完全免费

价格说明开源项目，提供数据集和工具列表，完全免费，无付费版本。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

技术栈/模型data,dataset,llm

GitHub 星标★ 4830

上线时间2024-04-27 00:00:00

代码更新2026-04-29

仓库体积72 KB

本站数据更新2026-11-08

维护状态低维护

收录时间2026-08-09

浏览次数9

项目介绍

llm-datasets 是一个精选的大语言模型后训练数据集与工具清单，旨在帮助研究者和工程师快速找到高质量的数据资源。它系统梳理了用于指令微调、偏好对齐、持续预训练等后训练阶段的开源数据集，并附带了数据清洗、去重、格式转换等实用工具。项目解决了后训练数据分散、难以检索和评估的问题，通过分类整理和社区维护，让用户能按任务类型、数据规模、语言等维度快速定位所需资源。核心能力包括数据集的详细标注（如规模、来源、许可证）、工具链推荐以及最佳实践指南，是构建和优化专属模型的实用参考库。

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 ★ 4830

技术标签

data dataset llm

使用教程

⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。

难度：入门约 10 分钟部署方式：本地安装 5 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

可访问 GitHub 与 Hugging Face 的网络环境
已安装 git（用于克隆仓库）
能阅读 Markdown 的工具（浏览器或编辑器即可）

安装与启动步骤

1克隆清单仓库

把 llm-datasets 仓库下载到本地，方便离线查阅数据集清单与说明。
```
git clone https://github.com/mlabonne/llm-datasets.git
```
2进入项目目录

切换到克隆下来的目录，后续所有查看操作都在此目录内进行。
```
cd llm-datasets
```
3阅读数据集清单

打开 README.md，README 明确按用途分章节，如 Instruction Datasets（指令数据集）等。
```
cat README.md
```
4按任务类型筛选

依据 README 分类浏览：指令微调找 Instruction Datasets 章节，逐条查看规模、来源与许可证标注。
5到 Hugging Face 取数据

清单中的数据集托管在外部平台，按条目给出的名称到 Hugging Face 等站点下载使用。