用GPT-3蒸馏百万级社交常识对话，让AI聊天更懂人情世故。
SODA是一个用于构建大规模社交常识对话数据集的工具链，源自EMNLP 2023论文。它解决的核心问题是：现有对话数据集缺乏社交常识背景，导致模型生成的回复不够自然、缺乏人情味。项目提供从种子对话出发，利用GPT-3等大模型进行对话蒸馏（dialogue distillation）的完整流程，并公开了百万级规模的SODA数据集。核心能力包括：社交常识的自动上下文化、对话生成与筛选管道、以及配套的模型训练与评测代码。通过该工具，研究者可以低成本地生成高质量、富含社交常识的对话数据，从而提升对话系统的拟人化水平。
Blended Skill Talk、Empathetic Dialogues、DailyDialog
sodaverse 是数据集领域的开源项目，由 skywalker023 开发，2022 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 244。
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。代码和数据集免费提供，遵循MIT许可证，无付费版本。
它主要面向的使用场景是：学术研究者复现论文实验或扩展对话数据集。同类可对比的替代方案包括 Blended Skill Talk、Empathetic Dialogues、DailyDialog。
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
