README.Zh CN

<a href="https://trendshift.io/repositories/13944" target="_blank"></a>

一个强大的大型语言模型微调数据集创建工具

简体中文 | English | Türkçe

功能特点 • 快速开始 • 使用文档 • 贡献 • 许可证

如果喜欢本项目，请给本项目留下 Star⭐️，或者请作者喝杯咖啡呀 => 打赏作者 ❤️！

概述

Easy Dataset 是一个专为创建大型语言模型数据集而设计的应用程序。它提供了直观的界面，内置了强大的文档解析工具、智能分割算法、数据清洗和数据增强能力，可以将各种格式的领域文献转化为高质量结构化数据集，可用于模型微调、RAG、模型效果评估等场景。

新闻

🎉🎉 Easy Dataset 1.7.0 版本上线全新的评估能力，你可以轻松将领域文献转换为评估数据集（测试集），并且可以自动执行多维度评估任务，另外还配备人工盲测系统，可以轻松助你完成垂直领域模型评估、模型微调后效果评估、RAG 召回率评估等需求，使用教程： https://www.bilibili.com/video/BV1CRrVB7Eb4/

功能特点

📄 文档处理与数据生成

• 智能文档处理：支持 PDF、Markdown、DOCX、TXT、EPUB 等多种格式智能识别和处理
• 智能文本分割：支持多种智能文本分割算法（Markdown 结构、递归分隔符、固定长度、代码智能分块等），支持自定义可视化分段
• 智能问题生成：从每个文本片段中自动提取相关问题，支持问题模板和批量生成
• 领域标签树：基于文档目录智能构建全局领域标签树，具备全局理解和自动打标能力
• 答案生成：使用 LLM API 为每个问题生成全面的答案和思维链（COT），支持 AI 智能优化
• 数据清洗：智能清洗文本块内容，去除噪音数据，提升数据质量

🔄 多种数据集类型

• 单轮问答数据集：标准的问答对格式，适合基础微调
• 多轮对话数据集：支持自定义角色和场景的多轮对话格式
• 图片问答数据集：基于图片生成视觉问答数据，支持多种导入方式（目录、PDF、压缩包）
• 数据蒸馏：无需上传文档，直接从领域主题自动生成标签树和问题

📊 模型评估体系

• 评估数据集：支持生成判断题、单选题、多选题、简答题、开放题等多种题型的评估测试集
• 模型自动评估：使用教师模型（Judge Model）自动评估模型回答质量，支持自定义评分规则
• 人工盲测 (Arena)：双盲对比两个模型的回答质量，消除偏见进行公正评判
• AI 质量评估：对生成的数据集进行自动质量评分和筛选

🛠️ 高级功能

• 自定义提示词：项目级自定义各类提示词模板（问题生成、答案生成、数据清洗等）
• GA 组合生成：文体-受众对生成，丰富数据多样性
• 任务管理中心：后台批量任务处理，支持任务监控和中断
• 资源监控看板：Token 消耗统计、调用次数追踪、模型性能分析
• 模型测试 Playground：支持最多 3 个模型同时对比测试

📤 导出与集成

• 多种导出格式：支持 Alpaca、ShareGPT、Multilingual-Thinking 等格式，JSON/JSONL 文件类型
• 平衡导出：按标签配置导出数量，实现数据集均衡
• LLaMA Factory 集成：一键生成 LLaMA Factory 配置文件
• Hugging Face 上传：直接将数据集上传至 Hugging Face Hub

🤖 模型支持

• 广泛的模型兼容：兼容所有遵循 OpenAI 格式的 LLM API
• 多提供商支持：OpenAI、MiniMax、Ollama（本地模型）、智谱 AI、阿里百炼、OpenRouter 等
• 视觉模型：支持 Gemini、Claude 等视觉模型用于 PDF 解析和图片问答

🌐 用户体验

• 用户友好界面：为技术和非技术用户设计的现代化直观 UI
• 多语言支持：完整的中英文界面支持
• 数据集广场：发现和探索各种公开数据集资源
• 桌面客户端：提供 Windows、macOS、Linux 桌面应用

快速演示

https://github.com/user-attachments/assets/6ddb1225-3d1b-4695-90cd-aa4cb01376a8

本地运行

下载客户端

    <b>Setup.exe</b>
  </a>
</td>
<td align="center" valign="middle">
  <a href='https://github.com/ConardLi/easy-dataset/releases/latest'>
    
    

    <b>Intel</b>
  </a>
</td>
<td align="center" valign="middle">
  <a href='https://github.com/ConardLi/easy-dataset/releases/latest'>
    
    

    <b>M</b>
  </a>
</td>
<td align="center" valign="middle">
  <a href='https://github.com/ConardLi/easy-dataset/releases/latest'>
    
    

    <b>AppImage</b>
  </a>
</td>

使用 NPM 安装

1. 克隆仓库：

   git clone https://github.com/ConardLi/easy-dataset.git
   cd easy-dataset

2. 安装依赖：

   npm install

3. 启动开发服务器：

   npm run build

   npm run start

4. 打开浏览器并访问 http://localhost:1717

使用官方 Docker 镜像

1. 克隆仓库：

git clone https://github.com/ConardLi/easy-dataset.git
cd easy-dataset

2. 更改 docker-compose.yml 文件：

services:
  easy-dataset:
    image: ghcr.io/conardli/easy-dataset
    container_name: easy-dataset
    ports:
      - '1717:1717'
    volumes:
      - ./local-db:/app/local-db
      - ./prisma:/app/prisma
    restart: unless-stopped

注意： 建议直接使用当前代码仓库目录下的 local-db 和 prisma 文件夹作为挂载路径，这样可以和 NPM 启动时的数据库路径保持一致。

注意： 数据库文件会在首次启动时自动初始化，无需手动执行 npm run db:push。

3. 使用 docker-compose 启动

docker-compose up -d

4. 打开浏览器并访问 http://localhost:1717

使用本地 Dockerfile 构建

如果你想自行构建镜像，可以使用项目根目录中的 Dockerfile：

1. 克隆仓库：

git clone https://github.com/ConardLi/easy-dataset.git
cd easy-dataset

2. 构建 Docker 镜像：

docker build -t easy-dataset .

3. 运行容器：

docker run -d \
  -p 1717:1717 \
  -v ./local-db:/app/local-db \
  -v ./prisma:/app/prisma \
  --name easy-dataset \
  easy-dataset

注意： 建议直接使用当前代码仓库目录下的 local-db 和 prisma 文件夹作为挂载路径，这样可以和 NPM 启动时的数据库路径保持一致。

注意： 数据库文件会在首次启动时自动初始化，无需手动执行 npm run db:push。

4. 打开浏览器，访问 http://localhost:1717

文档

• 有关所有功能和 API 的详细文档，请访问我们的 文档站点
• 查看本项目的演示视频：Easy Dataset 演示视频
• 查看本项目的论文：Easy Dataset: A Unified and Extensible Framework for Synthesizing LLM Fine-Tuning Data from Unstructured Documents

社区教程

• 使用 Easy Dataset 完成测试集生成和模型评估
• Easy Dataset × LLaMA Factory: 让大模型高效学习领域知识
• Easy Dataset 使用实战: 如何构建高质量数据集？
• Easy Dataset 1.4 重点功能更新解读
• Easy Dataset 1.6 重点功能更新解读
• 大模型微调数据集: 基础知识科普
• 实战案例1：生成汽车图片识别数据集
• 实战案例2：评论情感分类数据集
• 实战案例3：物理学多轮对话数据集
• 实战案例4：AI 智能体安全数据集
• 实战案例5：从图文 PPT 中提取数据集

贡献

我们欢迎社区的贡献！如果您想为 Easy Dataset 做出贡献，请按照以下步骤操作：

1. Fork 仓库
2. 创建新分支（git checkout -b feature/amazing-feature）
3. 进行更改
4. 提交更改（git commit -m '添加一些惊人的功能'）
5. 推送到分支（git push origin feature/amazing-feature）
6. 打开 Pull Request（提交至 DEV 分支）

请确保适当更新测试并遵守现有的编码风格。

加交流群 & 联系作者

https://docs.easy-dataset.com/geng-duo/lian-xi-wo-men

许可证

本项目采用 AGPL 3.0 许可证 - 有关详细信息，请参阅 LICENSE 文件。

引用

如果您觉得此项目有帮助，请考虑以下列格式引用

@misc{miao2025easydataset,
  title={Easy Dataset: A Unified and Extensible Framework for Synthesizing LLM Fine-Tuning Data from Unstructured Documents},
  author={Ziyang Miao and Qiyu Sun and Jingyuan Wang and Yuchen Gong and Yaowei Zheng and Shiqi Li and Richong Zhang},
  year={2025},
  eprint={2507.04009},
  archivePrefix={arXiv},
  primaryClass={cs.CL},
  url={https://arxiv.org/abs/2507.04009}
}

Star History