20 dataset Huggingface yang paling disukai

Memeluk dataset teratas muka: Membakar inovasi AI

Memeluk Wajah baru -baru ini melancarkan dataset yang paling popular, masing -masing memainkan peranan penting dalam memajukan kecerdasan buatan. Dataset ini memenuhi pelbagai aplikasi AI, dari arahan berikutan pemahaman multimodal yang kompleks. Di bawah, kami meneroka dataset ini, disenaraikan dengan kiraan muat turun.

Jadual Kandungan

• FineWeb-EDU (HuggingFaceFW)
• TXT360 (LLM360)
• FineWeb 2 (HuggingFaceFW)
• Corpus biasa (pleias)
• Kosmopedia (huggingfacetb)
• HELPSTEER2 (NVIDIA)
• Orca-AgentInstruct-1M-V1 (Microsoft)
• SmoltalkDataset (HuggingFacetB)
• FinePersonas (Argilla)
• Finevideo (HuggingFaceFV)
• Infinity Arahan (Baai)
• Personahub (ProJ-Persona)
• Post-jawatan dua juta-bluesky (Alpin Dale)
• XLAM-FUNCTION-CALLING-60K (Salesforce)
• Openo1-sft (O1-Open)
• Mmmlu (openai)
• Bingkai (Google)
• Penalaran-20K (Kingnish)
• arxiver (neuralwork)
• 5CD-Oillava-COT-O1-Instruct (5CD-AI)
• Artikel yang berkaitan
• Ringkasan

Sorotan dataset:

Setiap entri dataset di bawah menyediakan ciri -ciri utama, kes penggunaan, dan ciri yang menonjol. Pautan ke halaman muka pelukan untuk setiap dataset ditinggalkan untuk keringkasan tetapi mudah didapati melalui carian dalam talian yang mudah.

1. FINEWEB-EDU (HuggingFaceFW): (Suka: 573, Muat turun: 318,907) Kandungan web pendidikan berkualiti tinggi, ditapis untuk pemahaman peringkat sekolah menengah ke peringkat sekolah. Sorotan: Dilengkapi untuk model akademik dan latihan lanjutan.

2. TXT360 (LLM360): (Suka: 217, Muat turun: 102,124) Corpus Token 15T besar, yang dibuat menggunakan teknik deduplikasi lanjutan. Sorotan: saluran paip berskala untuk data berkualiti tinggi.

3. FINEWEB 2 (HuggingFaceFW): (Suka: 363, Muat turun: 88,657) Dataset berbilang bahasa yang menyokong lebih daripada 1000 bahasa dan skrip. Sorotan: Menggalakkan keterangkuman NLP global.

4. Corpus Common (Pleias): (Suka: 196, Muat turun: 24,844) Lebih dari 2 trilion token dari pelbagai sumber, menekankan piawaian etika. Sorotan: Sumber penanda aras untuk pembangunan model AI yang mantap.

5. Cosmopedia (HuggingFacetB): (Suka: 570, Muat turun: 20,840) Dataset sintetik sebanyak 30 juta sampel yang dihasilkan oleh MixTral-8x7B-Instruct-V0.1. Sorotan: Perintis Penjanaan Data Sintetik Skala.

6. HELPSTEER2 (NVIDIA): (Suka: 390, Muat turun: 13,799) 21,000 sampel dengan anotasi yang memberi tumpuan kepada membantu dan ketepatan. Sorotan: Skor teratas pada tanda aras utama.

7. Orca-AgentInstruct-1M-V1 (Microsoft): (Suka: 404, Muat turun: 12,877) 1 juta Arahan Arahan sintetik yang meliputi pelbagai tugas. Sorotan: Peningkatan penalaran dan ketepatan faktual.

8. SmoltalkDataset (HuggingFacetB): (Suka: 260, Muat turun: 11,523) Dataset sintetik untuk penalaan yang diselia. Sorotan: Prestasi khusus tugas yang dipertingkatkan.

9. FinePersonas (Argilla): (Suka: 363, Muat turun: 6,853) 21 juta orang terperinci untuk pelbagai penjanaan teks sintetik. Sorotan: Memudahkan output sintetik yang kaya dan konteks.

10. Finevideo (HuggingFaceFV): (Suka: 283, Muat turun: 5,434) Dataset memberi tumpuan kepada pemahaman video. Sorotan: Kuasa analisis video multimodal canggih.

11. Infinity Instruct (Baai): (Suka: 574, Muat turun: 5,284) Dataset arahan berskala besar untuk penalaran dan pengekodan. Sorotan: Kemajuan keupayaan AI sumber terbuka.

12. Personahub (ProJ-Persona): (Suka: 475, Muat turun: 3,846) 1 bilion personas untuk sintesis data sintetik. Sorotan: Memudahkan interaksi watak yang pelbagai.

13. Dua juta-Bluesky-Posts (Alpin Dale): (Suka: 193, Muat turun: 3,155) 2 juta jawatan awam dari Bluesky Social. Sorotan: Meneroka trend linguistik.

14. XLAM-FUNCTION-CALLING-60K (Salesforce): (Suka: 395, Muat turun: 2,567) memberi tumpuan kepada aplikasi memanggil fungsi. Sorotan: Ketepatan yang tinggi pada penanda aras yang memanggil fungsi.

15. OpenO1-Sft (O1-Open): (Suka: 271, Muat turun: 2,171) Menyokong penalaan yang diselia untuk pemikiran rantaian. Sorotan: Peningkatan konsisten diri.

16. Mmmlu (Openai): (Suka: 438, Muat turun: 1,761) meliputi 57 topik dalam 14 bahasa. Sorotan: Standard yang tinggi untuk pemahaman berbilang bahasa.

17. Bingkai (Google): (Suka: 176, Muat turun: 1,757) Dataset Penilaian RAG dengan soalan berbilang hop. Sorotan: Ujian pengambilan semula pelbagai langkah.

18. Penalaran-Base-20K (Kingnish): (Suka: 194, Muat turun: 1,581) Termasuk penjelasan penalaran langkah demi langkah. Sorotan: Meningkatkan ketepatan pemikiran.

19. Arxiver (Neuralwork): (Suka: 355, Muat turun: 790) 63,357 Kertas Arxiv dalam format multi-markdown. Sorotan: Menyelaraskan Integrasi Kandungan Teknikal.

20. 5CD-Oillava-COT-O1-Instruct (5CD-AI): (Suka: 64, Muat turun: 598) membolehkan pemikiran rantaian dalam model bahasa penglihatan. Sorotan: Mengintegrasikan output berstruktur untuk tugas -tugas yang kompleks.

Artikel Berkaitan: (pautan yang ditinggalkan untuk keringkasan)

• 400 Dataset Model Bahasa Besar (LLM) yang dikategorikan
• 25 dataset terbuka untuk pembelajaran mendalam
• 28 laman web untuk mencari dataset
• 10 dataset oleh indiaai
• 10 dataset sumber terbuka untuk latihan LLM

Ringkasan:

Pemilihan dataset terkemuka ini mempamerkan landskap dinamik pembangunan AI. Aplikasi dan sumbangan mereka yang pelbagai menyerlahkan kemajuan yang berterusan dalam mewujudkan sistem AI yang lebih mantap, serba boleh, dan beretika.

Atas ialah kandungan terperinci 20 dataset Huggingface yang paling disukai. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!