datasets
Training and evaluation data, with the modality, task and licence stated up front. Listed live from the Hugging Face Hub.
smoltalk-chinese-QwQ-Distrill
smoltalk-chinese-QwQ-Distrill [中文] [English]
📖Technical Report
smoltalk-chinese-QwQ-Distrill is a Chinese fine-tuning dataset constructed with reference to the SmolTalk-Chinese dataset. It aims to provide high-quality synthetic reasoning data support for training large language models (LLMs). The dataset consists entirely of synthetic data, comprising over 700,000 entries. It is specifically designed to enhance the performance of Chinese LLMs across various tasks… See the full description on the dataset page: https://huggingface.co/datasets/ChinaunicomSoftware/smoltalk-chinese-QwQ-Distrill.AQuA-RATA jsonlines dataset of 98000 prompt-completion pairs for algebra questions.
The prompt has a question and the Completion has the answer with rationale.
Originally taken from https://www.deepmind.com/open-source/aqua-rat for finetuning GPT-3 but use it for jobs of your choice.
For questions, open a discussion on community.
Torah_Gnostic_Egypt_India_China_Greece_holy_texts_sources
Torah Codes Religion Texts Sources
Data Tree
── arabs
│ ├── astrological_stelar_magic.txt
│ └── Holy-Quran-English.txt
├── ars
│ ├── ars_magna_ramon_llull.txt
│ └── lemegeton_book_solomon.txt
├── asimov
│ ├── foundation.txt
│ └── prelude_to_foundation.txt
├── budist
│ ├── bardo_todhol_book_of_deads_tibet_libro_tibetano_de_los_muertos.txt
│ ├── rig_veda.txt
│ └── TheTeachingofBuddha.txt
├── cathars
├── china
│ ├── arte_de_la_guerra_art_of_war.txt
│… See the full description on the dataset page: https://huggingface.co/datasets/torahCodes/Torah_Gnostic_Egypt_India_China_Greece_holy_texts_sources.china-uncensored
China Uncensored / Anti-Authoritarian Information Integrity Dataset
A post-training dataset for improving censorship resistance, information integrity, and anti-authoritarian reasoning in open-source language models.
This dataset is intended for developers training models to handle politically sensitive China-related topics without reproducing authoritarian state propaganda, coercive narratives, or censorship-driven framing. It is especially relevant for open-source models that… See the full description on the dataset page: https://huggingface.co/datasets/lastbattle/china-uncensored.china-undergraduate-majors-2026
普通高等学校本科专业目录（2026年）
本数据集收录了中华人民共和国教育部于 2026 年 4 月发布的《普通高等学校本科专业目录》，以结构化 JSON 格式提供
数据概览
项目
数量
学科门类
13
专业类
93
专业总数
875
特设专业（代码后加"T"）
523
国家控制布点专业（代码后加"K"）
171
13 个学科门类
代码
学科门类
01
哲学
02
经济学
03
法学
04
教育学
05
文学
06
历史学
07
理学
08
工学
09
农学
10
医学
12
管理学
13
艺术学
14
交叉学科
关于本目录
《普通高等学校本科专业目录》是高等教育工作的基本指导性文件之一，规定专业划分、名称及所属门类，是设置和调整专业、实施人才培养、安排招生、授予学位、指导就业，进行教育统计和人才需求预测等工作的重要依据，专业目录每年更新发布… See the full description on the dataset page: https://huggingface.co/datasets/XuehangCang/china-undergraduate-majors-2026.ai-tools-china
中国 AI 工具数据集 (Chinese AI Tools Dataset)
说明
收录 569 款面向中国用户的 AI 工具，包含对话、绘图、视频、编程、办公等分类。
每条数据包含工具名称、描述、分类、标签、定价模式、开发商及官方链接。
数据来源
数据来自 全能公式 AI 导航 — 收录 569 款 AI 工具的人工编辑评测平台。
字段说明
字段
类型
说明
id
string
工具唯一标识
name
string
工具名称
description
string
简短描述
url
string
官方链接
developer
string
开发商
categories
string[]
分类（如 chat, image, video, code）
tags
string[]
标签
pricing
string
定价模式（free/freemium/paid/free-trial）
tool_page_url… See the full description on the dataset page: https://huggingface.co/datasets/Scq598588/ai-tools-china.dadoai
Mobile Actions: A Dataset for On-Device Function Calling
The dataset contains conversational traces designed to train lightweight models (such as FunctionGemma 270M) to translate natural language instructions into executable function calls for Android OS system tools.
Dataset Format
The dataset is provided in JSONL format. Each line represents a data sample. The
dataset is pre-split into training and evaluation sets. This distinction is
denoted by the metadata field… See the full description on the dataset page: https://huggingface.co/datasets/china12n/dadoai.china-rd-expenditure-categorization-dataset
Summary
本数据集用于 企业所得税研发费用 凭证文本的预分类/归集建议任务：给定费用凭证的简要信息（科目/摘要/部门/金额/收款方等），输出结构化预分析结果，供下游规则引擎与人工复核使用。
当前仓库包含两份 JSONL：
**data/train_samples.jsonl**：人工/示例样本（相对少量）
**data/train_generated.jsonl**：模型生成的扩充样本（相对多量），每条带 generated: true
Data format
每行是一个 JSON 对象，核心字段如下：
**messages**：对话格式（system/user/assistant）
system：任务说明与输出字段规范
user：一条费用凭证的文本化输入
assistant：只输出合法 JSON 字符串（结构化预分类结果）
**category**：该样本的归集科目标签（用于训练/评估的外部标签）
**difficulty**：难度（简单/中等/困难）
**generated**：是否为生成数据（仅在生成集里出现，布尔）… See the full description on the dataset page: https://huggingface.co/datasets/guannanjiayou/china-rd-expenditure-categorization-dataset.china-refusals-qa
概要
以下の中華系モデルで検閲が行われているデータを対象にMistral-AIのMistral Small 24Bを用いてQAを付与したものになります。
https://huggingface.co/datasets/QuixiAI/china-refusals
データセット構造
{
"input": "質問",
"output": "回答",
"dataset": "質問データの引用もと"
}
ライセンス
元データセットと同じApache-2.0で公開します。
china-refusals-reasoning
概要
以下の中華系モデルで検閲が行われているデータを対象にMistral-AIのMistral Small 24Bを用いてQAを付与したものにさらに同じモデルを用いてReasoningを付加したものとなります。
https://huggingface.co/datasets/QuixiAI/china-refusals
データセット構造
{
"input": "質問",
"output": "回答",
"dataset": "質問データの引用もと"
}
ライセンス
元データセットと同じApache-2.0で公開します。
travel_china_XHSchina-novelChina_simplified_datasetChinaTCM-Cuisine
📌 医智中方 - 智能药膳数据集
🚀 简介本数据集由广州中医药大学医智方团队构建，旨在推动药膳科学化、精准化和数字化发展。数据来源于经典药膳文献、现代研究及实际应用场景，并经过AI优化 + 人工审核，确保高质量。
📊 数据概览
预计数据量：3000条
数据处理：🤖 AI优化 + 👨💻 人工审核
📌 当前进度
🔓 开源进度：1-100 条（持续更新中 📈）
✅ 整体完成进度：1-1438 条
📜 使用许可
License: CC BY-NC 4.0
❌ 禁止商业化使用
✅ 允许在非商业场景下自由使用、共享、修改，但需署名
📥 如何下载你可以使用 datasets 库轻松加载该数据集：
from datasets import load_dataset
# Login using e.g. `huggingface-cli login` to access this dataset
ds = load_dataset("yizhifang/ChinaTCM-Cuisine")
📧… See the full description on the dataset page: https://huggingface.co/datasets/yizhifang/ChinaTCM-Cuisine.chinachat1china_three_kingdomsN.E.T.-CHINA
Dataset Card for Dataset Name
These datasets are from the Chinese clinical medicine textbook otolaryngology head and neck surgery (10th Edition)
Dataset Details
Dataset Description
These data include all contents of the 10th edition of Otolaryngology Head and neck surgery, including cot thinking chain
Curated by: [Chaofan Li]
Language(s) (NLP): [Chinese]
warning
Any follow-up training related to this data has nothing to do with me, and this… See the full description on the dataset page: https://huggingface.co/datasets/QUDAD/N.E.T.-CHINA.travel-Jiangsu-China-AIagentFor learning purposes only, some data may not have timeliness or authenticity
chinanovelChinaPoliticalDiscourseCoT-Small-44KError-Corrective-17K