我要投稿

教你如何10分钟内批量制作上万条大模型微调数据集

发布日期：2025-05-13 02:41:34 浏览次数： 1512 作者：阿铭linux

↑↑↑ 点击关注，分享IT技术|职场晋升技巧|AI工具

上个月上线了【运维大模型课】，最近一直忙着整理讲义和录课，所以公众号文章发的都少了。

课程目前已更新21小节，目前保持周更的频率。

除了跟大家简单汇报下课程进度外，还想分享一个超赞的工具。我相信所有做大模型微调的朋友，一定会为如何制作数据集发愁，尤其是想把自己专属的文档（如word、txt等）转换成符合要求格式的数据集。

今天的主角就是这个开源的大模型微调数据集创建工具：Easy Dataset（https://github.com/ConardLi/easy-dataset），目前github上已有6.4k Star，而且它的增长速度非常快。

作者不仅提供了多系统平台客户端，非常Nice

而且还支持npm或者docker的形式部署在Linux服务器上。下面是我在windows系统上做了一个测试，效果还不错。

1）下载windows客户端

点击上面那个setup.exe，然后跳转到下载页面

再点这个exe文件下载

2）安装客户端

这个不用多讲，大家都会，直接双击exe文件安装即可。

3）安装完，需要做一个简单的配置

先创建项目

然后定义项目名字和描述

模型这里可选的模型还是蛮多的，比如GPT-4o、DeepSeek、Grok等，也可以使用私有部署的大模型，我用的是DeepSeek（deepseek-chat)，这里需要到deepseek官网申请一个apikey

提示词配置比较关键，如果想生成比较符合你预期的数据集，就需要在提示词这里下点功夫了，我测试的时候直接留空了

4）上传文献

支持多个文件，由于大模型不能一下子处理太多文本，所以Easy Dataset会根据我们的设置来分割文件

5）生成问题

有了文本块之后，下面需要先生成一个一个的问题，基于问题再去生成对应的问答对儿。选中文本块之后，点击右侧的批量生成问题，即可自动生成问题。

6）生成数据集

有了问题之后，就可以自动生成数据集了，点击上面的“问题管理”菜单

选中你想要生成数据集的问题，然后再点击右上角的“批量构建数据集”即可自动生成数据集。

7）导出数据集

等数据集生成完毕之后，点击“数据集管理”菜单

可以点击每一条数据集右侧的小眼睛查看具体的数据集内容

可以看到，它为我们生成的数据集内容，有问题，有回答，也有思维链内容，这个数据集用来训练DeepSeek或者Qwen大模型都是非常合适的。

选中你想要的数据集，然后点击右上角的“导出数据集”

可以选择JSON、JSONL或者CSV格式，数据集风格默认是Alpaca，也可以自定义，这个主要取决你微调时用什么样的数据集。包括系统提示词也可以自定义。

总之，这个Easy Dataset体验还是非常不错的。

·············· END ··············

哈喽，我是阿铭，《跟阿铭学Linux》作者，曾就职于腾讯，有着18年的IT从业经验，现全职做IT类职业培训：运维、k8s、大模型。日常分享运维、AI、大模型相关技术以及职场相关，欢迎围观。

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费场景POC验证，效果验证后签署服务协议。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2025-05-12

Cline v3.15 版本更新与亮点

2025-05-12

得物自研DSearch3.0搜索核心引擎升级之路

2025-05-12

国内首个AI IDE：用Trae开发会是怎样的感觉

2025-05-11

简单指令让Cursor生成高质量代码

2025-05-11

CherryStudio配置本地Ollama连接使用本地mistral对话模型和bge-m3嵌入式模型

2025-05-10

Cursor 中 Gemini2.5 Pro 编程能力测试

2025-05-10

OpenAI API JSON格式指南与json_repair错误修复

2025-05-10

Qwen3 与 ollama 兼容性问题

了解更多

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

一文读懂DeepSeek-R1本地部署配置要求（建议收藏）

2025-02-04

DeepSeek R1 671B 完整版本地部署教程来了！！！

2025-02-04

太爽了！o1 现在可以天天享用了

2024-09-18

万字综述 10+ 种 LLM 投机采样推理加速方案

2024-07-11

微调神器LLaMA-Factory官方保姆级教程来了，从环境搭建到模型训练评估全覆盖

2024-07-09

FP8 低精度训练：Transformer Engine 简析

2024-07-11

彻底理解系列之：FP32、FP16、TF32、BF16、混合精度

2024-07-26

别被Deepseek低成本冲昏头！本地化部署后续的“甜蜜陷阱”，你真能扛住吗？

2025-02-05

ollama 部署 deepseek-r1 70B 模型完整指南

2025-01-27

o3-mini 完全指南：一个被 DeepSeek 破大防的模型

2025-02-01

大家都在问

软件公司如何为AI的下半场做准备？

2025-05-10

LoRA为何成为大模型微调不可或缺的核心技术？

2025-05-07

为什么AI多轮对话总是那么傻？

2025-05-07

大模型微调真的有技术含量吗？

2025-05-07

Qwen3小模型实测：从4B到30B，到底哪个能用MCP和Obsidian顺畅对话？

2025-04-30

演讲实录：中小企业如何快速构建AI应用？

2025-04-27

为什么新手比专家更想做垂直领域SFT微调？

2025-04-27

为什么全参数微调能让大模型从“通才”变“专才”？

2025-04-23

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI 知识管理开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB