干货！一键领取超火的 20 个 LLM 中文数据集

433次阅读

HyperAI超神经

自 ChatGPT 重磅推出以来，大语言模型 (large language Model, LLM) 以其卓越的学习能力在各个领域引起轰动。大模型的训练和调优离不开优质庞大的数据支撑，精心构建的数据集不仅为大模型提供了充分的燃料，还为大模型在垂直领域的应用和性能提升提供了可能。

本文整理了一些适用于大模型训练调优的热门中文公开数据集（按照首字母 A-Z 顺序排列），以供大家了解和使用。

温馨提示：

本文列举的所有数据集，均可在 OpenBayes.com 平台一键 Input 直接在模型训练和部署中使用。

链接直达：

https://openbayes.com/console/public/datasets

1

Ape210K

中国小学水平数学问题

* 发布机构：猿辅导 AI Lab、西北大学

* 相关标签：算术任务、文本生成

* 直接使用：https://hyper.ai/datasets/28445

Ape210K 是一个新的大规模和模板丰富的数学单词问题数据集，包含 210k 个中国小学水平的数学问题。每个问题都包含最佳答案和得出答案所需的方程式。

2

Belle 数据集

* 发布机构：讯飞科大、CCL、HFL

* 相关标签：文本生成、中文

* 直接使用：https://hyper.ai/datasets/28451

本数据集使用了 1,000 个样本的评估集来评估各种模型，涵盖 9 个真实场景，包含约350 万条由BELLE项目生成的中文指令数据。

3

Chinese Squad

中文机器阅读理解数据集

* 相关标签：抽取式问答、智能问答

* 直接使用：https://hyper.ai/datasets/28476

本数据集是中文机器阅读理解数据集，通过机器翻译加人工校正的方式从原始 Squad 转换而来，其中包括 V1.1 和 V2.0。

4

CMRC 2018

中文机器阅读理解评测数据集

* 发布机构：讯飞科大、CCL、HFL

* 相关标签：文本生成

* 直接使用：https://hyper.ai/datasets/28470

本数据集包含第二届「讯飞杯」中文机器阅读理解评测 (CMRC 2018) 所使用的数据，并且已被计算语言学顶级国际会议 EMNLP 2019 录用。

5

CrossWOZ

任务导向对话数据集

* 发布机构：清华大学、BNRIST

* 相关标签：问答数据集、中文

* 直接使用：https://hyper.ai/datasets/28442

CrossWOZ 是首个面向任务的大型中文跨域 Wizard-of-Oz 导向数据集。它包含 5 个场景（景点、酒店、餐馆、地铁、出租）的 6k 个对话和 102k 个句子。此外，语料库包含丰富的对话状态标注和用户与系统双方的对话行为。

6

DRCD

Delta 阅读理解数据集

* 发布机构：台达研究中心、台达电子

* 相关标签：文本检测、机器学习

* 直接使用：https://hyper.ai/datasets/28473

台达阅读理解资料集 Delta Reading Comprehension Dataset (DRCD) 属于通用领域繁体中文机器阅读理解资料集。该数据集旨在成为标准的中文机器阅读理解数据集，包含来自 2,108 篇维基百科文章的 10,014 个段落和由标注人员生成的 30,000 多个问题。

7

Douban Conversation Corpus

豆瓣会话语料库

* 发布机构：北京航空航天大学、南开大学、MSR

* 相关标签：问答解析、自然语言处理

* 直接使用：https://hyper.ai/datasets/28497

本数据集包括一个训练数据集、一个开发集和一个基于检索的聊天机器人的测试集。测试数据包含 1000 个对话上下文，对于每个上下文，创建了 10 个响应作为候选。

8

DuReader

问答数据集

* 发布机构：百度

* 相关标签：问答数据集、智能问答

* 直接使用：https://hyper.ai/datasets/28461

DuReader 是关注于机器阅读理解领域的基准数据集和模型，主要用于智能问答任务。

9

E-KAR 中文版

可解释知识密集型类比推理基准

* 发布机构：复旦大学、ByteDance AI Lab、Brain Technologies, Inc.

* 相关标签：文本生成、自然语言处理

* 直接使用：https://hyper.ai/datasets/28517

E-KAR 全称 Benchmark for Explainable Knowledge-intensive Analogical Reasoning，是一个可解释知识密集型类比推理的基准。现有的词语类比测试基准并不能揭示神经模型类比推理的底层过程，研究人员认为具有推理能力的模型应以正确的理由作为基本信念，因此提出了首个知识性可解释类比推理基准 (E-KAR)。基准数据集包括来自公务员考试的 1,655 个（中文）和 1,251 个（英文）问题，解决这些问题需要大量的背景知识。

10

FCGEC

中文语法检错纠错数据集

* 发布机构：浙江大学、华为

* 相关标签：文本检测

* 直接使用：https://hyper.ai/datasets/28512

FCGEC 全称 Fine-Grained Corpus for Chinese Grammatical Error Correction，是一个大规模母语使用者的多参考文本纠检错语料，用于训练以及评估纠检错模型系统，数据来源主要是小初高中学生的病句试题以及新闻聚合网站。

11

KdConv

中文多领域会话数据集

* 发布机构：清华大学

* 相关标签：文本生成

* 直接使用：https://hyper.ai/datasets/28507

KdConv 是一个中文多领域知识驱动的对话数据集，将多轮对话中的主题建立在知识图谱上。KdConv 包含来自三个领域（电影、音乐和旅行）的 4.5K 个对话，以及平均转数为 19.0 的 86k 个话语。适用于对多转向人类对话中的知识交互进行建模，包括知识规划、知识基础、知识适应等。

12

Math23K

数学单词数据集

* 发布机构：Tencent AI Lab

* 相关标签：语料库、数学问题

* 直接使用：https://hyper.ai/datasets/28504

Math23K 全称 Math23K for Math Word Problem Solving，是为解决数学单词问题而创建的数据集，包含从互联网上爬取的 23,162 个中文问题。

13

MedDialog

中文医患对话数据集

* 相关标签：医学研究、对话数据集

* 直接使用：https://hyper.ai/datasets/28483

MedDialog 是大规模的医疗对话数据集，其中包含医生和患者之间的 110 万条对话和 400 万条话语。

14

ODSQA

开放域口语智能问答数据集

* 发布机构：台湾大学

* 相关标签：智能问答、自然语言处理

* 直接使用：https://hyper.ai/datasets/28500

ODSQA 数据集是用于中文问答的口语数据集，它包含来自 20 位不同演讲者的三千多个问题。

15

RedGPT

自动生成事实型对话数据集

* 相关标签：文本生成、自然语言处理

* 直接使用：https://hyper.ai/datasets/28448

RedGPT 全称 Reference-Enlightened-Dialogue by GPT and for GPT。事实正确性是 ChatGPT 的一大薄弱环节，想要提升事实正确性，可以标注大量的事实型对话数据用于微调 GPT 模型。为避免人工标注的昂贵成本，研究人员提出一种自动生成事实型对话的方法，并公开部分数据 (RedGPT-Dataset-V1-CN)，其中共包含 5 万条中文多轮对话。

16

The United Nations Parallel Corpus

联合国平行语料库 v1.0

* 发布机构：清华大学、BNRIST

* 相关标签：问答数据集、中文

* 直接使用：https://hyper.ai/datasets/28464

CrossWOZ 是首个面向任务的大型中文跨域 Wizard-of-Oz 导向数据集。它包含 5 个场景（景点、酒店、餐馆、地铁、出租）的 6k 个对话和 102k 个句子。此外，语料库包含丰富的对话状态标注和用户与系统双方的对话行为。

17

VQA

视觉问答数据集

* 相关标签：视觉问答、问答数据集

* 直接使用：https://hyper.ai/datasets/28455

深度学习的发展促进了多模态学习相关任务的解决。视觉问答 (VQA) 是其中极具挑战的例子，它要求从图像中进行高阶场景的解释 (interpretation)，并结合相关的问答语言进行建模。给定一张图像和关于该图像的自然语言问题，任务是提供一个准确的自然语言答案。这是一个使用 Keras 实现的端到端系统，旨在完成这一任务。

18

WebQA v1.0

百度中文问答数据集

* 发布机构：百度

* 相关标签：深度学习、智能问答

* 直接使用：https://hyper.ai/datasets/28467

这是百度于 2016 年开源的数据集，数据来自于百度知道。格式为一个问题多篇意思基本一致的文章，分为人为标注以及浏览器检索。

19

XiaChuFang Recipe Corpus

下厨房食谱语料库

* 相关标签：文本识别、文本检测

* 直接使用：https://1lh.cc/4jaL8b