synthetic-dataset-generation
本站收录 12 个带「synthetic-dataset-generation」标签的 AI 开源项目
distilabelDistilabel 是一个面向工程师的合成数据与 AI 反馈框架，旨在帮助用户快速构建可靠、可扩展的数据流水线。它基于经过验证的研究论文，将复杂的合成数据生成★ 3,401
curatorcurator 是一个专注于合成数据策展的开源工具，主要服务于大语言模型的后训练阶段和结构化数据提取。它解决了高质量训练数据难以获取、合成数据质量参差不齐的问题★ 1,736
DataDreamerDataDreamer 是一个专注于合成数据生成与模型训练对齐的开源 Python 库。它解决的核心问题是：在真实数据稀缺或受隐私限制时，如何通过提示词（Pro★ 1,121
VQASynthVQASynth 是一个面向多模态数据集构建的开源工具，核心目标是把普通图像或视频转化为带有空间推理能力的视觉问答（VQA）训练数据。它通过场景重建与空间关系抽★ 591
be_greatbe_great 是一个基于预训练大语言模型（LLM）生成合成表格数据的开源工具。它解决了真实表格数据隐私保护、数据稀缺和不平衡等问题，通过利用 LLM 的上下★ 370
HumanVidHumanVid 是一个面向人体视频生成的开源项目，发表于 NeurIPS 2024 D&B Track。它主要解决高质量、可控的人体视频数据稀缺问题，通过结合★ 350
awesome-synthetic-datasets这是一个精选合成文本数据集和生成工具的资源列表，旨在帮助AI开发者解决真实数据获取难、成本高、隐私风险大等问题。项目系统梳理了各类合成数据资源，包括通用指令数据★ 342
kodcodekodcode 是一个合成数据集生成框架，专门用于创建多样化的编程题目和可验证的解决方案。它解决的是高质量代码生成模型训练数据稀缺的问题，通过自动化流程生成带测★ 321
pandapanda 是一个面向非线性动力学系统的开源模型，基于“修补注意力”（Patched Attention）机制，相关论文已被 ICLR 2026 接收。它解决的★ 175
sdg_hubsdg_hub 是一个面向大语言模型的合成数据生成工具包，目标是帮助开发者低成本、可复现地构造高质量训练与微调数据集。它把合成数据流程拆解为可组合的模块，覆盖种★ 163
syncdSynCD 是一个用于文本到图像定制化（Text-to-Image Customization）的合成数据生成工具，源自 ICCV 2025 论文。它解决的是个★ 156
VisionFoundryVisionFoundry 是一个专注于提升视觉语言模型（VLM）视觉感知能力的开源训练框架。它通过合成图像数据来训练模型，解决真实图像数据稀缺、标注成本高的问★ 57