跳到主要内容Skip to main content

Models · Data · Synthetic data

合成数据

模型生成或改写的样本;补长尾,但会放大模型风格与错误。 这一页收 3 张卡;点进单卡看许可、规模、任务适配与使用边界。

合成数据

UltraChat 200k

由模型生成的多轮对话, topic 覆盖广,适合做对话 SFT 的合成基线。

规模
约 20 万条多轮对话
许可
MIT
获取
直接下载

合成数据会放大生成模型的风格与错误;要混入人工数据并做去重与质量过滤。

看数据卡 →
合成数据

WizardLM Evol-Instruct

用 Evol-Instruct 把简单指令改写成更深、更复杂版本,适合做指令难度爬坡。

规模
约 7 万条进化指令
许可
Apache-2.0
获取
直接下载

合成指令可能不自然或不可执行;训练前要抽检并去掉重复模板。

看数据卡 →
合成数据

OpenHermes-2.5

混合合成与公开指令数据,覆盖广,是社区常用的 SFT 基线。

规模
约 100 万条对话样本
许可
Apache-2.0
获取
直接下载

来源混合,重复与低质样本多;需按来源分层抽样并做去重。

看数据卡 →