datasets
Training and evaluation data, with the modality, task and licence stated up front. Listed live from the Hugging Face Hub.
HundredCV-Chat
百人对话数据集
HundredCV-Chat: A Dataset of Daily Chatting Developed on HundredCVs
简介
本项目提出一个全新的中文多轮对话数据集（HundredCV-Chat），该数据集由 100 位青年的简历数据集 HundredCVs 开发而来，共包含 24,750 组日常闲聊对话数据。
数据集具有如下特点：
自动化标注：HundredCV-Chat 中的对话均由 Deepseek-V3 大模型生成，不涉及任何人工标注，因此同时保证了大规模数据量和低成本优势。
多样性话题：HundredCV-Chat 中的对话话题涵盖了校园生活、工作经验、兴趣爱好、生活琐事等多个方面，与真实生活联系紧密，尤其适用于开发年轻化应用。
高质量对话：利用 Deepseek 强大的生成能力和全面的知识，HundredCV-Chat 的对话内容在流畅度、拟人性、多样性方面均显著优于现有的开源对话数据集。
数据样例
HundredCV-Chat 含有 24… See the full description on the dataset page: https://huggingface.co/datasets/Jax-dan/HundredCV-Chat.zhwiki-latestThis repository demonstrates access to the latest Chinese Wikipedia corpora.
Download
You can download the latest Chinese Wikipedia dump from the following link:
Chinese Wikipedia Dump
English Wikipedia Dump (For reference)
Extraction
After you download the dump, you can extract the data using the following commands:
# install wikiextractor
pip install wikiextractor
# extract the data
wikiextractor --json -o <output_dir> zhwiki-latest-pages-articles.xml.bz2
Then, you… See the full description on the dataset page: https://huggingface.co/datasets/Jax-dan/zhwiki-latest.DialogES
DialogES: An Large Dataset for Generating Dialogue Events and Summaries
简介
本项目提出一个对话事件抽取和摘要生成数据集——DialogES，数据集包括共 44,672 组多轮对话，每组对话采用自动的方式标注出对话事件和对话摘要。
该数据集主要用于训练对话摘要模型，研究者可采用单任务和多任务学习的方式利用本数据集。
收集过程
对话采集：本数据集中的对话数据收集自两个已有的开源数据集，即 NaturalConv 和 HundredCV-Chat；
事件标注：采用 few-shot in-context learning 的方式标注，人工标注出 5 个对话-事件样本，作为演示样例嵌入大模型的提示词中，然后引导模型对输入对话进行标注；
摘要标注：采用 zero-shot learning 的方式标注，编写提示词"请总结对话的主要内容："，要求大模型生成对话摘要；
自动标注：按照以上准则，本项目利用 Deepseek-V3… See the full description on the dataset page: https://huggingface.co/datasets/Jax-dan/DialogES.HundredCVs
百人简历数据集
HundredCVs: A Curriculum Vitae Dataset of 100 Young Chinese People
简介
本项目提出一个全新的中文简历数据集（HundredCVs），包含了 100 位青年的个人简历。HundredCVs 具有以下特点：
年轻化、多样性：数据集中的人物年龄分布在 15~30 岁之间，广泛涵盖了不同性别、不同职业、不同学历（高中至博士不等）。
结构完整：每份简历中的信息包括人物的个人名片、性格特征、主要事迹，以及详细经历/个人自述等。
安全性：我们使用化名替代了人物的真实姓名，此外，人物经历也使用大语言模型的改写和提炼，表现出标准化和一致性的语言风格。
设计意图
HundredCVs 的提出主要是为了方便研究者开展基于简历的自然语言处理任务。数据集中提供两个文件:
profile.json：每条记录只包含人物的个人名片、性格特征和主要事迹。可用于开展角色扮演、人物画像构建等任务。… See the full description on the dataset page: https://huggingface.co/datasets/Jax-dan/HundredCVs.Lite-Thinking
Lite-Thinking: A Large-Scale Math Dataset with Moderate Reasoning Steps
Motivation
With the rapid popularization of large reasoning models, like GPT-4o, Deepseek-R1, and Qwen3, there are increasing researchers seeking to build their own reasoning models.
Typically, small foundation models are chosen; following the mature technology of Deepseek-R1, mathematical datasets are mainly adopted to build training corpora.
Despite existing available datasets, represented by… See the full description on the dataset page: https://huggingface.co/datasets/Jax-dan/Lite-Thinking.gutenberg-top-50
Gutenberg Top-50: 50 popular books on Gutenberg
Key Features
Source: This corpus is collected from Gutenberg, which is a public e-book library.
Components: It contains 50 popular books that easily split into chapters containing paragraphs.
Applications:
Researchers can use this corpus to train their own pre-trained language model.
Researchers can use this corpus to ask questions that depend on the certain chapter/paragraphs content, for QA or RAG development.
AVM