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 ★ 72
核心亮点
- 专注HR领域，解决通用数据管道在专业文本上的适配问题
- 模块化设计，各处理环节可独立使用或替换
- 代码简洁，易于二次开发和集成到现有训练流程
不足之处
- 文档/社区待观察
- 项目处于早期，功能覆盖可能不全面
适用场景
- HR领域大模型预训练数据准备
- 人力资源文本挖掘与清洗
- 构建行业定制化NLP训练集
替代项目
Hugging Face Datasets、Apache Beam、Luigi
上一篇：StarryDivineSky
下一篇：freshqa
同类项目推荐
prontoqa
开源
用合成问答数据，精准剖析大模型推理链条
Synthetic question-answering dataset to formally analyze the chain-of-thought output···
LLM-PuzzleTest
开源
用多模态谜题测出大模型推理短板
This repository is maintained to release dataset and models for multimodal puzzle re···
huashu-bird-sticker
开源
一万多种鸟的贴纸和多语言名字，拿来就能用
花叔开源的全球鸟类贴纸库 · AI-generated stickers for all 11,011 bird species in Avi···
arco-era5
开源
把 ERA5 气象数据转成云端 Zarr，按需秒读任意区域时段
Recipes for reproducing Analysis-Ready & Cloud Optimized (ARCO) ERA5 datasets.
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]
Project-Imaging-X
开源
一站式检索1000+医学影像数据集，快速开启基础模型训练
Project Imaging-X: A Survey of 1000+ Open-Access Medical Imaging Datasets for Founda···
VPSCI-Dataset
开源
真实车人冲突场景数据，直接喂给自动驾驶安全模型
VPSCI（Vehicle–Pedestrian Safety-Critical Interaction）Dataset
data-prep-kit
开源
一键清洗转换数据，让大模型训练更高效
Open source project for data preparation for GenAI applications
Shot2Story
开源
多镜头视频理解基准，让AI看懂镜头叙事
A new multi-shot video understanding benchmark Shot2Story with comprehensive video s···