synthetic-data-kit

收录理由

微调模型时，数据通常得是用户与助手的对话轮次，而手头的原始文档往往远不是这个形态。这套命令行工具正好补上这段落差：它能读入 PDF、HTML、Word、幻灯片、YouTube 字幕和纯文本，再调用你已有的 LLM 后端（比如本地起一个 vLLM 服务，或者随便接一个 API 端点），生成问答对或带思维链的推理样例。中间还有一道筛选环节，让 Llama 自己当裁判，给生成结果打分，把质量不高的样本剔掉，最后才落到你的最终数据集里。收尾的导出命令支持 Alpaca、OpenAI 等常见微调格式，产出的数据能直接喂给训练流程。如果你已经跑着 LLM 接口，只差一个靠谱的办法把原始材料转成带标注的训练数据，这个工具能全程搞定，又不需要上什么重型平台。