文本数据集
当前范围的仓库 41 · UTC 2026-11-03
对比排名项目StarFork30 天趋势7 天净增最近推送登录后收藏
1—Aalibaba / DataXDataX是阿里云DataWorks数据集成的开源版本。JavaNOASSERTION · 限制商用 / 未知名次历史不足17,3795,658——2026-07-07
3—Oopenlm-research / open_llamaOpenLLaMA，Meta AI 的 LLaMA 7B 的许可开源复制品，在 RedPajama 数据集上进行训练未知Apache-2.0 · 宽松，可直接商用名次历史不足7,517401——2023-07-16
4—SSophonPlus / ChineseNlpCorpus搜集、整理、发布 中文 自然语言处理 语料/数据集,与 有志之士 共同 促进 中文 自然语言处理 的 发展。Jupyter Notebook未知 · 限制商用 / 未知名次历史不足6,6111,417——2019-01-29
5—Ccocodataset / cocoapiCOCO API - 数据集@ http://cocodataset.org/Jupyter NotebookNOASSERTION · 限制商用 / 未知名次历史不足6,3903,715——2024-04-17
6—CCSAILVision / semantic-segmentation-pytorchPytorch 在 MIT ADE20K 数据集上实现语义分割/场景解析PythonBSD-3-Clause · 宽松，可直接商用名次历史不足5,0881,094——2024-01-15
7—Llarashero3-dotcom / lieflat-less-ai-tone一个基于 520 万字语料统计的去 AI 味 skill · An AI-tone removal skill grounded in a 5.2-million-character corpus studyPythonNOASSERTION · 限制商用 / 未知名次历史不足4,946293——2026-11-03
8—Mminimaxir / textgenrnn只需几行代码，即可在任何文本数据集上轻松训练您自己的任何大小和复杂程度的文本生成神经网络。PythonNOASSERTION · 限制商用 / 未知名次历史不足4,918725——2022-07-17
10—IInsaneLife / ChineseNLPCorpus中文自然语言处理数据集,平时做做实验的材料。欢迎补充提交合并。Python未知 · 限制商用 / 未知名次历史不足4,627783——2023-11-21
11—Ffirst20hours / google-10000-english该存储库包含按频率排列的 10,000 个最常见英语单词的列表，该列表是根据 Google 万亿单词语料库的 n-gram 频率分析确定的。未知NOASSERTION · 限制商用 / 未知名次历史不足4,5001,934——2023-05-17
12—CCLUEbenchmark / CLUEDatasetSearch搜索所有中文NLP数据集,附常用英文NLP数据集Python未知 · 限制商用 / 未知名次历史不足4,459621——2022-11-21
13—Wwainshine / Chinese-Names-Corpus中文人名语料库。人名生成器。中文姓名,姓氏,名字,称呼,日本人名,翻译人名,英文人名。可用于中文分词、人名实体识别。未知Apache-2.0 · 宽松，可直接商用名次历史不足4,3441,010——2025-11-09
14—Eesbatmop / MNBVCMNBVC(Massive Never-ending BT Vast Chinese corpus)超大规模中文语料集。对标chatGPT训练的40T数据。MNBVC数据集不但包括主流文化,也包括各个小众文化甚至火星文的数据。MNBVC数据集包括新闻、作文、小说、书籍、杂志、论文、台词、帖子、wiki、古诗、歌词、商品介绍、笑话、糗事、聊天记录等一切形式的纯文本中文数据。未知MIT · 宽松，可直接商用名次历史不足4,297298——2026-10-25
15—NNVlabs / ffhq-datasetFlickr-Faces-HQ 数据集 (FFHQ)PythonNOASSERTION · 限制商用 / 未知名次历史不足4,204608——2022-11-18
16—Ccommaai / research2016年论文“学习驾驶模拟器”的数据集和代码PythonBSD-3-Clause · 宽松，可直接商用名次历史不足4,1281,155——2022-08-16
17—TTommyZihao / Train_Custom_Dataset标注自己的数据集,训练、评估、测试、部署自己的人工智能算法Jupyter Notebook未知 · 限制商用 / 未知名次历史不足4,125770——2026-01-07
18—Vverazuo / jailbreak_llms[CCS'24] 数据集包含来自 Reddit、Discord、网站和开源数据集的 15,140 个 ChatGPT 提示（包括 1,405 个越狱提示）。Jupyter NotebookMIT · 宽松，可直接商用名次历史不足3,874340——2024-12-24
19—Llinhandev / dataset医学影像数据集列表 『An Index for Medical Imaging Datasets』未知未知 · 限制商用 / 未知名次历史不足3,637427——2024-08-15
20—Bben1234560 / AiLearning-Theory-Applying快速上手AI理论及应用实战:基础知识、Transformer、NLP、ML、DL、竞赛。含大量注释及数据集,力求每一位能看懂并复现。Jupyter NotebookMIT · 宽松，可直接商用名次历史不足3,586476——2026-10-18
商用三档依据许可证元数据自动分类；具体义务需结合实际使用方式核对。未知不等于禁止商用。