sodaverse
用GPT-3蒸馏百万级社交常识对话，让AI聊天更懂人情世故。
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 ★ 245
核心亮点
- 开源了百万级带社交常识标注的对话数据集，规模罕见
- 提供从数据生成到模型训练的全套可复现代码，门槛低
- 基于EMNLP论文方法，学术严谨性有保障
不足之处
- 依赖GPT-3等商业API，数据生成成本高且不可控
- 文档/社区待观察，项目处于早期，生态不完善
适用场景
- 学术研究者复现论文实验或扩展对话数据集
- 对话系统开发者需要带社交常识的训练数据
- 数据工程团队探索大模型蒸馏数据的自动化流程
替代项目
Blended Skill Talk、Empathetic Dialogues、DailyDialog
同类项目推荐
KG-MM-Survey
开源
一张清单看懂知识图谱+多模态，快速入门不迷路
Knowledge Graphs Meet Multi-Modal Learning: A Comprehensive Survey
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
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
awesome-public-streaming-dataset···
开源
找实时数据源不再靠搜，一页清单直接接入流处理
A list of free datasets that provide streaming data
seqio
开源
统一序列任务数据管道，定义一次到处训练
Task-based datasets, preprocessing, and evaluation for sequence models.
medalign
开源
用医生真实指令数据，提升大模型在电子病历上的表现
MedAlign is a clinician-generated dataset for instruction following with electronic ···
DataProfiler
开源
快速摸清数据底细，自动识别敏感信息
What's in your data? Extract schema, statistics and entities from datasets
semhash
开源
一句话找出数据集里语义重复的样本，快速去重。
Fast Multimodal Semantic Deduplication & Filtering
common-voice
开源
众包录制真人语音，免费下载多语言开放语料
Common Voice is part of Mozilla's initiative to help teach machines how real people ···