大语言模型高质量数据集汇总（2025.8 更新）
注意：SFT数据集尤其是比较老的数据集质量其实低下，用 DeepSeek 等top模型重新回答下提问效果可能更好。
预训练数据集
| 高质量数据集（有中文） | 大小 | 特点 |
|---|---|---|
| IndustryCorpus2 | 1TB Chinese / 2.2TB English | 进行行业分类（31个行业），并对数据质量评级。 |
| Fineweb-Edu-Chinese-V2.1 | =1.5TBtokens | 有4.6B Tokens 高质量教育语料 |
| m-a-p/Matrix | 4.69T tokens | 训练 MAP-Neo 模型的预训练数据集 |
| Ultra-FineWeb | en 1T tokens / zh 120B tokens | 最新的，过滤的更好的数据集 |
| opencsg/chinese-cosmopedia | zh 60B tokens | 参考 CosMopedia 创建的中文合成预训练数据集 |
数据处理工具：
- https://github.com/huggingface/datatrove
- https://github.com/modelscope/data-juicer
- https://github.com/multimodal-art-projection/MAP-NEO/tree/main/Matrix
- https://github.com/OpenDCAI/DataFlow
SFT 数据集
| SFT 数据集 | 大小 | 语言 | 特点 | | ———————————————————————————————————————– | —- | ——– | —————————— | | [m-a-p/neo_sft_phase2](https://huggingface.co/datasets/m-a-p/neo_sft_phase2) | 109k | 中英 | MAP-Neo SFT 阶段2 Chat 数据，质量不错。 | | [OpenCoder-LLM/opc-sft-stage1](https://huggingface.co/datasets/OpenCoder-LLM/opc-sft-stage1) | 3.2M | 中英（中文较少） | 从多个数据集中过滤和合成而来，有通用指令，更关注代码类数据。 | | [OpenCoder-LLM/opc-sft-stage2](https://huggingface.co/datasets/OpenCoder-LLM/opc-sft-stage2) | 436k | 英 | 高质量的代码类数据。 | | [BAAI/Infinity-Instruct](https://huggingface.co/datasets/BAAI/Infinity-Instruct) | 7M | 中英（中文较少） | 多个尺寸的指令和对话数据。 | | [hfl/ruozhiba_gpt4](https://huggingface.co/datasets/hfl/ruozhiba_gpt4) | 4.9k | 中 | 著名的弱智吧+GPT4回答，对模型的能力有提升。 | | [Mxode/Chinese-Instruct](https://huggingface.co/datasets/Mxode/Chinese-Instruct) | 485k | 中 | 从多个数据集中筛选的中文指令数据集，价值较高。 | | [SmolLM Instruct Datasets](https://huggingface.co/collections/HuggingFaceTB/instruct-datasets-66c12756198f9d79f2a60550) | - | 英 | 多个开源数据集。其中自我认知部分值得参考。 | | [Magpie-Qwen2-Pro-200K-Chinese](https://huggingface.co/datasets/Magpie-Align/Magpie-Qwen2-Pro-200K-Chinese) | 200k | 中 | 使用 MagPie 从 Qwen2-72B 中提取的指令集。 | | [lenML/longwriter-6k-filtered](https://huggingface.co/datasets/lenML/longwriter-6k-filtered) | 666 | 英 | 长文本输出（写作） | | [THUDM/LongAlign-10k](https://huggingface.co/datasets/THUDM/LongAlign-10k) | 10k | 中英 | 长文本输入 | | [opencsg/smoltalk-chinese](https://huggingface.co/datasets/opencsg/smoltalk-chinese) | 700k | 中 | 参考 SmolTalk 数据集创建的中文数据集 |
- Yulan的数据 Recipe 不错，详细说明了其数据来源，可参考。
偏好数据集
| 偏好数据集 | 大小 | 语言 | 特点 |
|---|---|---|---|
| llamafactory/DPO-En-Zh-20k | 20k | 中英 | 多个来源整理，质量较高，中英各10k |
| unalignment-toxic-dpo-v0.2-zh_cn | 541 | 中 | 去除模型安全逻辑 |
| ultrafeedback_binarized | 187k | 英 | 将 UltraFeedback改成二元偏好的数据集 |
| opencsg/UltraFeedback-chinese | 58k | 中 | 多个中文资源库中收集了约58k条中文指令，使用DeepSeek V3 评分 |
推理数据集
| 推理数据集 | 类型 | 大小 | 语言 | 特点 |
|---|---|---|---|---|
| m-a-p/COIG-Writer | SFT | 914 | 中 | 高质量中文创作与思考过程蒸馏数据集 |
| INTELLECT-2-RL-Dataset | RL | 285k | 英 | RL math/code 数据集带ground_truth |
| open-thoughts/OpenThoughts3-1.2M | SFT | 1M | 英 | DeepSeek 蒸馏出的大量数据 |
| Chinese-DeepSeek-R1-Distill-data-110k | SFT | 110k | 中 | 中文的 DeepSeek 蒸馏推理数据集 |
评测数据集
根据 DeepSeek V3、Qwen3 等最新模型的评测数据集调整而来，选取最新、最流行、最具有代表性的评测数据集。
| 评测数据集 | 类型 | 大小 | 语言 | 特点 |
|---|---|---|---|---|
| LiveBench | 综合（偏数学和代码） | 英 | 定时更新的综合评测集，质量较高 | |
| AlignBench v1.1 | 多轮对话 | 683 | 中 | 中文对齐评测集，需要LLM作为裁判 |
| IFEval | 指令遵循 | 英 | 自动打分 | |
| 大海捞针 | 长上下文 | 英 | 通过插入针的方法评测长上下文能力 | |
| Arena-Hard | 多轮对话 | 英 | Arena 中比较难的问题，需要 LLM 作为裁判 | |
| BFCL v3 | 函数调用 | 英 | 比较全面的函数调用评测集 | |
| MMLU-Redux | 综合（世界知识） | 英 | MMLU的增强版本 | |
| GPQA-Diamond | 综合（世界知识、复杂推理） | 英 | GPQA 中比较难的问题（博士级别） | |
| AIME’24 | 数学推理 | 英 | 2024年的AIME数据集 | |
| LiveCodeBench v5 | 代码生成 | 英 | 定时更新的代码生成评测集 | |
| C-Eval | 综合（世界知识） | 中 | 中文场景下的综合评测集，目前模型多过拟合。 | |
| CMMLU | 综合（世界知识） | 中 | 中文场景下的综合评测集，目前模型多过拟合。 | |
| MATH-500 | 数学推理 | 英 | OpenAI 的MATH数据集 | |
| AIME’25 | 数学推理 | 英 | 2025年的AIME数据 | |
| RULER | 长上下文 | 英 | 评测模型上上下文的能力 |
原文发布于 GitHub Issue #129
创建于 2025-07-10T00:59:54Z，更新于 2025-12-06T17:12:29Z