datasets
Training and evaluation data, with the modality, task and licence stated up front. Listed live from the Hugging Face Hub.
Alpaca_Evol_Instruct_CleanedAlpaca Evol Instruct cleaned of refusals, scrubbed of overly repetitive responses, aggresively deduplicated, and all URLs removed from the output. The final dataset has aproximately 54k instructions.
Base dataset https://huggingface.co/datasets/victor123/evol_instruct_70k
instruct-sft-alpaca-20k
Instruction SFT Alpaca Format (20K)
20,000 instruction-following examples in the Alpaca format — ready for supervised fine-tuning.
Format
Standard Alpaca format with three fields:
{
"instruction": "Write a Python function to check if a number is prime.",
"input": "",
"output": "```python\ndef is_prime(n: int) -> bool:\n ...\n```",
"category": "coding",
"id": "abc123"
}
When input is empty, the instruction is standalone. When input is present, it… See the full description on the dataset page: https://huggingface.co/datasets/stindardlogic/instruct-sft-alpaca-20k.the-Embodiment-of-Scarlet-Devil-Instruct-Alpaca-QA-JP-v1
Converted QA Dataset
このデータセットは、easy-dataset-cliを使用して生成されたアルパカ形式の日本語Q&Aデータセットです。
データセット概要
総エントリ数: 97,202
形式: Alpaca形式
言語: 日本語
ライセンス: MIT
データ構造
各エントリは以下の形式です：
{
"instruction": "質問文",
"input": "",
"output": "回答文",
"genre": "ジャンル",
"audience": "対象読者"
}
ジャンル分布
含まれるジャンル:
FAQ
PRD
RFP/提案書
アーキレビュー
エグゼクティブサマリ
ガイドライン/ポリシー
ケーススタディ
セキュリティレビュー
チュートリアル
ハンズオン課題
ベストプラクティス集
ワークショップ資料
実験レポート
対話形式
技術ブログ
教科書
業界別ケーススタディ
法務チェックリスト
運用Runbook
対象読者分布… See the full description on the dataset page: https://huggingface.co/datasets/MakiAi/the-Embodiment-of-Scarlet-Devil-Instruct-Alpaca-QA-JP-v1.Goulenn-Alpaca-Instruct-50k
Goulenn
A Breton Instructions Dataset called Goulenn (meaning "Question" in Breton).
Direct translation of the jpacifico/French-Alpaca-dataset-Instruct-110K by Jonathan Pacifico.
For now only 50k samples have been translated, 110k version soo to come...
Generation details available on the GweLLM Github repository.
Sample test code:
from datasets import load_dataset
dataset = load_dataset( path="amurienne/Goulenn-Alpaca-Instruct-50k",
split="train")… See the full description on the dataset page: https://huggingface.co/datasets/amurienne/Goulenn-Alpaca-Instruct-50k.olmo-3-7b-instruct_alpaca-text-generation-384
allenai/OLMo-3-7B-Instruct — alpaca-text-generation-384
Model outputs from the micro-creativity inference suite.
Model: allenai/OLMo-3-7B-Instruct
Dataset: alpaca-text-generation-384 (384 items)
Part of collection: ZachW/llm-creativity-benchmarks
Generation config
temperature: 0.0
max_tokens: 16384
seed: 42
backend: vllm
Columns
Column
Description
task_id
Unique task identifier
input
The exact prompt sent to the model (after… See the full description on the dataset page: https://huggingface.co/datasets/ZachW/olmo-3-7b-instruct_alpaca-text-generation-384.azerbaijani-wiki-instruct-alpacaAn Azerbaijani instruction-following dataset in Alpaca format (instruction, input, output).Useful for supervised fine-tuning (SFT) to improve instruction following and long-form, explanatory answers in Azerbaijani.
Quick facts
Rows: 167,590
Split: train only
License: MIT
Main file: azerbaijani_wiki_instruct.jsonl (~432 MB)
Auto-converted Parquet: ~225 MB
Data schema
Each record contains:
instruction (string): the task/prompt in Azerbaijani
input (string): optional… See the full description on the dataset page: https://huggingface.co/datasets/Yusiko/azerbaijani-wiki-instruct-alpaca.alpaca_speech_instructGoulenn-Alpaca-Instruct-110k
Goulenn
A Breton Instructions Dataset called Goulenn (meaning "Question" in Breton).
Direct translation of the jpacifico/French-Alpaca-dataset-Instruct-110K by Jonathan Pacifico.
Generation details available on the GweLLM Github repository.
Sample test code:
from datasets import load_dataset
dataset = load_dataset( path="amurienne/Goulenn-Alpaca-Instruct-110k",
split="train")
print(f"dataset infos:\n{dataset}")
print(f"dataset first… See the full description on the dataset page: https://huggingface.co/datasets/amurienne/Goulenn-Alpaca-Instruct-110k.Orin-Instruct-Alpaca-JP
Orin-Instruct-Alpaca-JP
Dataset Description
This dataset contains 638 samples in instruction-following format, suitable for training conversational AI models.
Dataset Structure
Data Fields
instruction: Input instruction
input: Additional input context
output: Expected output/response
Data Splits
train: 446 samples
validation: 128 samples
test: 64 samples
Data Statistics
Total samples: 638
instruction: Avg length 83.4 chars… See the full description on the dataset page: https://huggingface.co/datasets/MakiAi/Orin-Instruct-Alpaca-JP.Orin-Instruct-Alpaca-JP-v10
Converted QA Dataset
このデータセットは、easy-dataset-cliを使用して生成されたアルパカ形式の日本語Q&Aデータセットです。
データセット概要
総エントリ数: 47,880
形式: Alpaca形式
言語: 日本語
ライセンス: MIT
データ構造
各エントリは以下の形式です：
{
"instruction": "質問文",
"input": "",
"output": "回答文",
"genre": "ジャンル",
"audience": "対象読者"
}
ジャンル分布
含まれるジャンル:
FAQ
PC向けガイド
ゆっくりガイド
アクセシビリティガイド
アジア系ユーザー向けガイド
アーティスト向けガイド
イベントガイド
イベント常連ガイド
エンジニア向けガイド
オフライン重視ガイド
コレクションガイド
ジュニアガイド
ソロ活動ガイド
ソーシャルガイド
ファミリーガイド
プロフェッショナルガイド
プロ創作者ガイド
プロ配信者ガイド… See the full description on the dataset page: https://huggingface.co/datasets/MakiAi/Orin-Instruct-Alpaca-JP-v10.mistral-small-3.2-24b-instruct-2506_alpaca-text-generation-384
mistralai/Mistral-Small-3.2-24B-Instruct-2506 — alpaca-text-generation-384
Model outputs from the micro-creativity inference suite.
Model: mistralai/Mistral-Small-3.2-24B-Instruct-2506
Dataset: alpaca-text-generation-384 (384 items)
Part of collection: ZachW/llm-creativity-benchmarks
Generation config
temperature: 0.0
max_tokens: 16384
seed: 42
backend: vllm
Columns
Column
Description
task_id
Unique task identifier
input
The… See the full description on the dataset page: https://huggingface.co/datasets/ZachW/mistral-small-3.2-24b-instruct-2506_alpaca-text-generation-384.gujarati-instruct-alpaca
Gujarati Instruction Tuning Dataset (Alpaca Format)
A high-quality instruction-response dataset in pure Gujarati script with 6,215 entries across 32 diverse categories. Note: Manual verification of the dataset is currently pending and will be completed in the near future. Designed for fine-tuning large language models (LLMs) on Gujarati language tasks, with rich metadata fields for filtering, dialect analysis, and quality control.
Why This Dataset Matters
Gujarati is… See the full description on the dataset page: https://huggingface.co/datasets/tkdonda/gujarati-instruct-alpaca.Orin-Instruct-Alpaca-JP-v7
Converted QA Dataset
このデータセットは、easy-dataset-cliを使用して生成されたアルパカ形式の日本語Q&Aデータセットです。
データセット概要
総エントリ数: 564
形式: Alpaca形式
言語: 日本語
ライセンス: MIT
データ構造
各エントリは以下の形式です：
{
"instruction": "質問文",
"input": "",
"output": "回答文",
"genre": "ジャンル",
"audience": "対象読者"
}
ジャンル分布
含まれるジャンル:
FAQ
ゲームデザインレビュー
ステージウォークスルー
スピードランニングマニュアル
テクニカルガイド
ブログレビュー記事
ポッドキャストスクリプト
ローカリゼーションガイド
作品設定コンパイル
学術的分析論文
対象読者分布
含まれる対象読者:
PCゲーミング愛好者
インディーゲーム開発者
カジュアルファン
ゲーム文化研究者… See the full description on the dataset page: https://huggingface.co/datasets/MakiAi/Orin-Instruct-Alpaca-JP-v7.Orin-Instruct-Alpaca-JP-v8
Converted QA Dataset
このデータセットは、easy-dataset-cliを使用して生成されたアルパカ形式の日本語Q&Aデータセットです。
データセット概要
総エントリ数: 3,731
形式: Alpaca形式
言語: 日本語
ライセンス: MIT
データ構造
各エントリは以下の形式です：
{
"instruction": "質問文",
"input": "",
"output": "回答文",
"genre": "ジャンル",
"audience": "対象読者"
}
ジャンル分布
含まれるジャンル:
FAQ
PC向けガイド
ゆっくりガイド
アジア系ユーザー向けガイド
イベントガイド
イベント常連ガイド
コレクションガイド
ジュニアガイド
ソロ活動ガイド
ソーシャルガイド
ファミリーガイド
プロフェッショナルガイド
プロ創作者ガイド
プロ配信者ガイド
ベテラン社会人ガイド
モバイルガイド
レビュー記事
上級者向けマニュアル
上級者向け攻略… See the full description on the dataset page: https://huggingface.co/datasets/MakiAi/Orin-Instruct-Alpaca-JP-v8.Orin-Instruct-Alpaca-JP-v9
Converted QA Dataset
このデータセットは、easy-dataset-cliを使用して生成されたアルパカ形式の日本語Q&Aデータセットです。
データセット概要
総エントリ数: 17,317
形式: Alpaca形式
言語: 日本語
ライセンス: MIT
データ構造
各エントリは以下の形式です：
{
"instruction": "質問文",
"input": "",
"output": "回答文",
"genre": "ジャンル",
"audience": "対象読者"
}
ジャンル分布
含まれるジャンル:
FAQ
PC向けガイド
ゆっくりガイド
アクセシビリティガイド
アジア系ユーザー向けガイド
アーティスト向けガイド
イベントガイド
イベント常連ガイド
エンジニア向けガイド
オフライン重視ガイド
コレクションガイド
ジュニアガイド
ソロ活動ガイド
ソーシャルガイド
ファミリーガイド
プロフェッショナルガイド
プロ創作者ガイド
プロ配信者ガイド… See the full description on the dataset page: https://huggingface.co/datasets/MakiAi/Orin-Instruct-Alpaca-JP-v9.llama-3.1-8b-instruct_alpaca-text-generation-384
meta-llama/Llama-3.1-8B-Instruct — alpaca-text-generation-384
Model outputs from the micro-creativity inference suite.
Model: meta-llama/Llama-3.1-8B-Instruct
Dataset: alpaca-text-generation-384 (384 items)
Part of collection: ZachW/llm-creativity-benchmarks
Generation config
temperature: 0.0
max_tokens: 16384
seed: 42
backend: vllm
Columns
Column
Description
task_id
Unique task identifier
input
The exact prompt sent to the… See the full description on the dataset page: https://huggingface.co/datasets/ZachW/llama-3.1-8b-instruct_alpaca-text-generation-384.sozkz-corpus-instruct-kk-alpaca-qwen35-v1
SozKZ Instruct KK Alpaca (Qwen3.5-122B) v1
Қазақ тіліне аударылған және Qwen3.5-122B арқылы жауап берілген Alpaca стиліндегі инструкт деректер жиыны.
Казахскоязычный instruct-датасет на базе Alpaca: инструкции переведены на казахский, ответы сгенерированы моделью Qwen3.5-122B-A10B-FP8 через CloudRift Inference API. Предназначен для SFT (supervised fine-tuning) казахских базовых моделей.
Dataset Summary
Pairs
4,882
Language
Kazakh (kk), с английскими… See the full description on the dataset page: https://huggingface.co/datasets/stukenov/sozkz-corpus-instruct-kk-alpaca-qwen35-v1.code_instruct_alpaca
Dataset Card for python_code_instructions_18k_alpaca
The dataset contains problem descriptions and code in python language.
This dataset is taken from sahil2801/code_instructions_120k, which adds a prompt column in alpaca style. Refer to the source here.