datasets
Training and evaluation data, with the modality, task and licence stated up front. Listed live from the Hugging Face Hub.
Magpie-Qwen2-Pro-200K-Chinese
Project Web: https://magpie-align.github.io/
Arxiv Technical Report: https://arxiv.org/abs/2406.08464
Codes: https://github.com/magpie-align/magpie
Abstract
Click Here
High-quality instruction data is critical for aligning large language models (LLMs). Although some models, such as Llama-3-Instruct, have open weights, their alignment data remain private, which hinders the democratization of AI. High human labor costs and a limited, predefined scope for prompting prevent… See the full description on the dataset page: https://huggingface.co/datasets/Magpie-Align/Magpie-Qwen2-Pro-200K-Chinese.Chinese-DeepSeek-R1-Distill-data-110k
中文基于满血DeepSeek-R1蒸馏数据集（Chinese-Data-Distill-From-R1）
🤗 Hugging Face | 🤖 ModelScope | 🚀 Github | 📑 Blog
注意：提供了直接SFT使用的版本，点击下载。将数据中的思考和答案整合成output字段，大部分SFT代码框架均可直接直接加载训练。
本数据集为中文开源蒸馏满血R1的数据集，数据集中不仅包含math数据，还包括大量的通用类型数据，总数量为110K。
为什么开源这个数据？
R1的效果十分强大，并且基于R1蒸馏数据SFT的小模型也展现出了强大的效果，但检索发现，大部分开源的R1蒸馏数据集均为英文数据集。 同时，R1的报告中展示，蒸馏模型中同时也使用了部分通用场景数据集。
为了帮助大家更好地复现R1蒸馏模型的效果，特此开源中文数据集。
该中文数据集中的数据分布如下：… See the full description on the dataset page: https://huggingface.co/datasets/Congliu/Chinese-DeepSeek-R1-Distill-data-110k.Chinese-DeepSeek-R1-Distill-data-110k-SFT
中文基于满血DeepSeek-R1蒸馏数据集（Chinese-Data-Distill-From-R1）
🤗 Hugging Face | 🤖 ModelScope | 🚀 Github | 📑 Blog
注意：该版本为，可以直接SFT使用的版本，将原始数据中的思考和答案整合成output字段，大部分SFT代码框架均可直接直接加载训练。
本数据集为中文开源蒸馏满血R1的数据集，数据集中不仅包含math数据，还包括大量的通用类型数据，总数量为110K。
为什么开源这个数据？
R1的效果十分强大，并且基于R1蒸馏数据SFT的小模型也展现出了强大的效果，但检索发现，大部分开源的R1蒸馏数据集均为英文数据集。 同时，R1的报告中展示，蒸馏模型中同时也使用了部分通用场景数据集。
为了帮助大家更好地复现R1蒸馏模型的效果，特此开源中文数据集。该中文数据集中的数据分布如下：
Math：共计36568个样本，
Exam：共计2432个样本，
STEM：共计12648个样本，… See the full description on the dataset page: https://huggingface.co/datasets/Congliu/Chinese-DeepSeek-R1-Distill-data-110k-SFT.chinese-materials-science-open-intelligence
🔬 Chinese Materials Science & Metallurgy Open Intelligence Dataset
Curated open intelligence dataset providing English research briefs, authoritative DOIs, executive summaries, and high-resolution micrographs of breakthrough Chinese scientific research in Materials Science, Metallurgy, Advanced Alloys, and Mining Engineering.
[!IMPORTANT]
Data Completeness & Research Authenticity Notice:
Included in this Hugging Face Open Dataset: English structured abstracts, core… See the full description on the dataset page: https://huggingface.co/datasets/simpleG2023/chinese-materials-science-open-intelligence.chinese-clean-energy-battery-open-intelligence
🔬 Chinese Clean Energy, Battery Chemistry & Smart Grid Open Intelligence Dataset
Curated open intelligence dataset tracking authentic Chinese scientific breakthroughs in Solid-State Battery chemistry, Perovskite Solar cells, Ultra-High Voltage (UHV) power grids, and industrial decarbonization.
[!IMPORTANT]
Data Completeness & Research Authenticity Notice:
Included in this Hugging Face Open Dataset: English structured abstracts, core quantitative takeaways, author… See the full description on the dataset page: https://huggingface.co/datasets/simpleG2023/chinese-clean-energy-battery-open-intelligence.chinese-ai-and-robotics-open-intelligence
🔬 Chinese AI, Humanoid Robotics & Neural Systems Open Intelligence Dataset
Curated open intelligence dataset tracking Chinese frontier developments in Large Language Models (LLMs), Humanoid Dynamic Locomotion, 3D Computer Vision, and Neuromorphic edge processors.
[!IMPORTANT]
Data Completeness & Research Authenticity Notice:
Included in this Hugging Face Open Dataset: English structured abstracts, core quantitative takeaways, author institutional affiliations, and… See the full description on the dataset page: https://huggingface.co/datasets/simpleG2023/chinese-ai-and-robotics-open-intelligence.chinese-biomedicine-and-genomics-open-intelligence
🔬 Chinese Biomedicine, Cell Therapy & Genomics Open Intelligence Dataset
Curated open intelligence dataset providing English briefs, clinical trial benchmarks, verified abstracts, and DOIs of frontier Chinese research in Cellular Therapeutics, Gene Editing, ADCs, and NMPA Clinical Approvals.
[!IMPORTANT]
Data Completeness & Research Authenticity Notice:
Included in this Hugging Face Open Dataset: English structured abstracts, core quantitative takeaways, author… See the full description on the dataset page: https://huggingface.co/datasets/simpleG2023/chinese-biomedicine-and-genomics-open-intelligence.chinese-legal-sft
Chinese Legal SFT Dataset(中文法律 SFT 数据集)
面向大模型监督微调(SFT)的中文法律问答数据集,共 19,332 条问答对,
每条附带 LLM 质量评分。覆盖数据采集 → 清洗 → 去重 → 质量过滤 → 格式化 → 质量打分的完整数据工程流程。
配套代码与完整流水线:https://github.com/noah-white-python/legal-sft-dataset
数据构建流程
冷启动:基于开源数据集 DISC-Law-SFT 整理。
清洗:NFKC 全角半角统一、去控制字符、去空白、缺失过滤。
去重:精确去重(MD5)+ MinHash + LSH 近似去重(阈值 0.8)。
质量过滤:长度、中文字符占比等启发式规则,有效率 96.7%(20,000 → 19,332)。
格式化:输出标准 Alpaca 指令格式。
质量打分:用 LLM-as-judge 对全部数据从复杂度、清晰度、信息量三维度打分(1-5 分)。
字段说明… See the full description on the dataset page: https://huggingface.co/datasets/noah248/chinese-legal-sft.Chinese-Qwen3-235B-Thinking-2507-Distill-100k
📌 Note: The English translation of this dataset card is provided below.
Chinese-Qwen3-235B-Thinking-2507-Distill-100k
Dataset Summary
Chinese-Qwen3-235B-Thinking-2507-Distill-100k 是一个包含约 100k 条高质量中文推理与指令数据的数据集，由 Qwen-3-235B-A22B-Thinking-2507（官方 Thinking 模式，上下文长度 32K）蒸馏生成。
该数据集覆盖了多个重要领域：
数学与工程任务（Mathematics, Applied Math, Advanced Math）
通用知识与写作（General Knowledge, Language & Writing）
技术与编程（Technology & Programming）
商业与经济（Business & Economics）… See the full description on the dataset page: https://huggingface.co/datasets/Jackrong/Chinese-Qwen3-235B-Thinking-2507-Distill-100k.Chinese-Muslim-Travel
☪ Chinese-Muslim-Travel: Native Chinese Muslim Travel RAG Corpus
[!TIP]
Human Readers: Looking for the full text with all images perfectly rendered? Navigate to the Files and versions -> content folder to browse all Markdown articles natively!
Dataset Description
Chinese-Muslim-Travel is a curated RAG corpus containing 347 native Chinese articles documenting Muslim travel, halal food, mosque architecture, and Muslim community life across 20+ countries. Every… See the full description on the dataset page: https://huggingface.co/datasets/qurancn/Chinese-Muslim-Travel.Chinese-DeepSeek-V3.2-Exp-chat-example
deepseek/deepseek-v3.2-exp (6.6K) 中文数据集样本
一、前言
本报告基于 deepseek/deepseek-v3.2-exp 模型（官方 API，8K 上下文窗口）进行数据集评测与可视化展示。测试数据集共包含 6,655 轮对话，语言覆盖以中文为主，辅以部分混合语种及非中文输入。本次报告旨在总结模型的对话特征、输入输出长度分布及上下文预算消耗情况，并为后续应用和优化提供参考。
二、数据与方法
数据来源：用户构建的 6,655 轮真实中文对话样本。
估算方法：
中文字符近似为 1 Token；
英文 4 字符 ≈ 1 Token；
用于规模与上下文预算对比，而非精确 Token 计数。
统计维度：
平均 Prompt/Output 长度（字符与估算 Token）；
总 Token 占上下文窗口比例；
语言分布（Prompt 语言类型）；
对话长度分布（用户提问、助手回答、总对话长度）。
三、总体结果
1. 样本概况… See the full description on the dataset page: https://huggingface.co/datasets/Jackrong/Chinese-DeepSeek-V3.2-Exp-chat-example.Chinese-Muslim
☪ Chinese-Muslim: Comprehensive Chinese Muslim Knowledge Base & RAG Corpus
[!TIP]
Human Readers: Looking for the full text with all images perfectly rendered? Navigate to the Files and versions -> content folder to browse all Markdown articles natively!
Dataset Description
Chinese-Muslim is the flagship dataset of the Salaamalykum project — a comprehensive knowledge base containing 279 articles covering the full spectrum of Chinese Muslim life: culture, travel… See the full description on the dataset page: https://huggingface.co/datasets/qurancn/Chinese-Muslim.Chinese-DeepSeek-R1-Distill-data-110k
中文基于满血DeepSeek-R1蒸馏数据集（Chinese-Data-Distill-From-R1）
🤗 Hugging Face | 🤖 ModelScope | 🚀 Github | 📑 Blog
注意：提供了直接SFT使用的版本，点击下载。将数据中的思考和答案整合成output字段，大部分SFT代码框架均可直接直接加载训练。
本数据集为中文开源蒸馏满血R1的数据集，数据集中不仅包含math数据，还包括大量的通用类型数据，总数量为110K。
为什么开源这个数据？
R1的效果十分强大，并且基于R1蒸馏数据SFT的小模型也展现出了强大的效果，但检索发现，大部分开源的R1蒸馏数据集均为英文数据集。 同时，R1的报告中展示，蒸馏模型中同时也使用了部分通用场景数据集。
为了帮助大家更好地复现R1蒸馏模型的效果，特此开源中文数据集。
该中文数据集中的数据分布如下：… See the full description on the dataset page: https://huggingface.co/datasets/ArkhAngelLifeJiggy/Chinese-DeepSeek-R1-Distill-data-110k.Chinese-DeepSeek-R1-Distill-data-110k-opencc
中文基於滿血DeepSeek-R1蒸餾數據集（Chinese-Data-Distill-From-R1）
🤗 Hugging Face | 🤖 ModelScope | 🚀 Github | 📑 Blog
本資料集由 Congliu/Chinese-DeepSeek-R1-Distill-data-110k-SFT 經過 opencc 轉換而成，再次感謝原作者。
注意：該版本為，可以直接SFT使用的版本，將原始數據中的思考和答案整合成output字段，大部分SFT代碼框架均可直接直接加載訓練。
本數據集為中文開源蒸餾滿血R1的數據集，數據集中不僅包含math數據，還包括大量的通用類型數據，總數量為110K。
為什麽開源這個數據？
R1的效果十分強大，並且基於R1蒸餾數據SFT的小模型也展現出了強大的效果，但檢索發現，大部分開源的R1蒸餾數據集均為英文數據集。 同時，R1的報告中展示，蒸餾模型中同時也使用了部分通用場景數據集。
為了幫助大家更好地覆現R1蒸餾模型的效果，特此開源中文數據集。… See the full description on the dataset page: https://huggingface.co/datasets/benchang1110/Chinese-DeepSeek-R1-Distill-data-110k-opencc.TW-GSAT-Chinese
台灣本土語言模型語料庫：台灣學科能力測驗-中文考科
響應台灣 AI 在地化、AI 十大建設的議題，繁體中文訓練資料最為重要該資料集為 Apache 2.0 開源許可，可用於 商業、研究、私人使用為台灣 AI 在地化盡一份力
使用須知
考試試題之使用符合著作權法
根據中華民國政府的著作權法 - 第9條
下列各款不得為著作權之標的︰ 一、憲法、法律、命令或公文。 二、中央或地方機關就前款著作作成之翻譯物或編輯物。 三、標語及通用之符號、名詞、公式、數表、表格、簿冊或時曆。 四、單純為傳達事實之新聞報導所作成之語文著作。 五、依法令舉行之各類考試試題及其備用試題。
依法舉辦的考試試題是不具備著作權的 適用該條款的考試，包含：學測、會考、學校段考試題，但是不包含補習班、出版商自製的試題 複雜情況：若學校段考考題使用了出版商的題目，那該題目仍然受到著作權的保護，為了規避法律風險，最佳實踐方案是只收集大考考試試題 該資料有調整題目敘述，即重製題目，讓資料更適合 NLP 之任務… See the full description on the dataset page: https://huggingface.co/datasets/TsukiOwO/TW-GSAT-Chinese.Chinese-DeepSeek-R1-Distill-data-110k
中文基于满血DeepSeek-R1蒸馏数据集（Chinese-Data-Distill-From-R1）
🤗 Hugging Face | 🤖 ModelScope | 🚀 Github | 📑 Blog
注意：提供了直接SFT使用的版本，点击下载。将数据中的思考和答案整合成output字段，大部分SFT代码框架均可直接直接加载训练。
本数据集为中文开源蒸馏满血R1的数据集，数据集中不仅包含math数据，还包括大量的通用类型数据，总数量为110K。
为什么开源这个数据？
R1的效果十分强大，并且基于R1蒸馏数据SFT的小模型也展现出了强大的效果，但检索发现，大部分开源的R1蒸馏数据集均为英文数据集。 同时，R1的报告中展示，蒸馏模型中同时也使用了部分通用场景数据集。
为了帮助大家更好地复现R1蒸馏模型的效果，特此开源中文数据集。该中文数据集中的数据分布如下：
Math：共计36568个样本，
Exam：共计2432个样本，
STEM：共计12648个样本，… See the full description on the dataset page: https://huggingface.co/datasets/yifeng222/Chinese-DeepSeek-R1-Distill-data-110k.