LLMDataHub

收录理由

自己动手训练或微调一个能听话的模型，最让人头疼的往往不是模型结构，而是上哪儿找合适的训练数据。这个仓库把大量公开可用的数据集收拢到了一处，按用途分成对齐、领域专属、预训练和多模态几大类，每一份数据都标了规模、语言、类型以及是哪个已发布模型用过它——挑数据时这些信息最管用，照着Alpaca那套做法来选料能省不少功夫。它不是拿来跑的工具，而是一张人工整理好的参考地图，省得你在Hugging Face和各种研究库里翻来翻去。条目里还记录了每份数据的出现时间，所以想了解某个阶段市面上有哪些可用资源，也能看个明白。