文本数据集
41 个仓库 · 数据更新于 2026-11-06
3openlm-research / open_llamaOpenLLaMA，Meta AI 的 LLaMA 7B 的许可开源复制品，在 RedPajama 数据集上进行训练Apache-2.0 · 宽松，可直接商用名次历史不足7,518
4SophonPlus / ChineseNlpCorpus搜集、整理、发布 中文 自然语言处理 语料/数据集,与 有志之士 共同 促进 中文 自然语言处理 的 发展。Jupyter Notebook许可证未声明名次历史不足6,613
5larashero3-dotcom / lieflat-less-ai-tone一个基于 520 万字语料统计的去 AI 味 skill · An AI-tone removal skill grounded in a 5.2-million-character corpus studyPython许可证未声明名次历史不足6,410
7CSAILVision / semantic-segmentation-pytorchPytorch 在 MIT ADE20K 数据集上实现语义分割/场景解析PythonBSD-3-Clause · 宽松，可直接商用名次历史不足5,088
11first20hours / google-10000-english该存储库包含按频率排列的 10,000 个最常见英语单词的列表，该列表是根据 Google 万亿单词语料库的 n-gram 频率分析确定的。许可证未声明名次历史不足4,503
13wainshine / Chinese-Names-Corpus中文人名语料库。人名生成器。中文姓名,姓氏,名字,称呼,日本人名,翻译人名,英文人名。可用于中文分词、人名实体识别。Apache-2.0 · 宽松，可直接商用名次历史不足4,347
14esbatmop / MNBVCMNBVC(Massive Never-ending BT Vast Chinese corpus)超大规模中文语料集。对标chatGPT训练的40T数据。MNBVC数据集不但包括主流文化,也包括各个小众文化甚至火星文的数据。MNBVC数据集包括新闻、作文、小说、书籍、杂志、论文、台词、帖子、wiki、古诗、歌词、商品介绍、笑话、糗事、聊天记录等一切形式的纯文本中文数据。MIT · 宽松，可直接商用名次历史不足4,298
18verazuo / jailbreak_llms[CCS'24] 数据集包含来自 Reddit、Discord、网站和开源数据集的 15,140 个 ChatGPT 提示（包括 1,405 个越狱提示）。Jupyter NotebookMIT · 宽松，可直接商用名次历史不足3,879
20ben1234560 / AiLearning-Theory-Applying快速上手AI理论及应用实战:基础知识、Transformer、NLP、ML、DL、竞赛。含大量注释及数据集,力求每一位能看懂并复现。Jupyter NotebookMIT · 宽松，可直接商用名次历史不足3,585
