数据集 · 2026-07-07

模仿Claude Mythos的合成SFT数据集，涵盖网络安全等多个领域。

2.5万行 · 105 MB

下载 3.9k · 收藏 143 · 2个月前更新

HF 安全扫描标记可疑 · VirusTotal 1/74· 低比例多为数据内含代码触发的误报,查看报告自行判断查看报告

py from datasets import load_dataset ds = load_dataset("WithinUsAI/claude_mythos_distilled_25k")

包含用户历史行为与内容元数据的跨域推荐数据集。

17.2 GB

下载 18k · 收藏 13 · 20天前更新

维基百科清洗后的文章数据集，覆盖所有语言。

6161.5万行 · 1.4 TB

下载 197k · 收藏 1.3k · 2年前更新

基于可验证医疗问题的推理链SFT数据集，来自Deepseek-R1蒸馏。

9.0万行 · 680 MB

下载 11k · 收藏 1.1k · 1年前更新

py from datasets import load_dataset ds = load_dataset("FreedomIntelligence/medical-o1-reasoning-SFT")

从FineWeb中筛选的教育类网页数据集，使用LLM分类器。

34.97亿行 · 6.2 TB

下载 382k · 收藏 1.2k · 1年前更新

py from datasets import load_dataset ds = load_dataset("HuggingFaceFW/fineweb-edu")

用于Stable Diffusion的负面嵌入，基于Counterfeit模型训练。

3 行 · 3.9 GB

下载 19k · 收藏 1.2k · 3年前更新

完全开源的LLaMa数据集复现（RedPajama）。

172.6万行 · 39.5 GB

下载 2.1k · 收藏 1.2k · 2年前更新

py from datasets import load_dataset ds = load_dataset("togethercomputer/RedPajama-Data-1T")

2026-07-07 数据集 (7)