ajibawa-2023/Technical-Architectures-Large
Technical Architectures Large (294k Samples) Overview Generating complex, syntactically valid diagram code from natural language requirements is a major challenge for AI models. This dataset bridges that gap by providing over 293,000+ distinct enterprise software architectures generated using two cutting-edge models: GPT-OSS-120B and Qwen3-Coder-Next-FP8. Unlike simple "toy" examples, these architectures model realistic enterprise systems complete with client… See the full description on the dataset page: https://huggingface.co/datasets/ajibawa-2023/Technical-Architectures-Large.
Thành tựu nổi bật
Những danh hiệu mới nhất của dự án
#1 Repository Của Tuần
#1 Repository Của Tuần
#1 Repository Của Tuần
🏗️ Hơn 293.000 kiến trúc doanh nghiệp thực tế dưới dạng mã Mermaid
Bộ dữ liệu Technical Architectures Large cung cấp hơn 293.000 mẫu kiến trúc phần mềm doanh nghiệp được sinh bởi GPT-OSS-120B và Qwen3-Coder-Next-FP8, hỗ trợ huấn luyện mô hình tạo biểu đồ từ ngôn ngữ tự nhiên.
Technical Architectures Large là một bộ dữ liệu lớn chứa hơn 293.000 kiến trúc phần mềm doanh nghiệp khác nhau, được tạo ra bởi hai mô hình AI tiên tiến là GPT-OSS-120B và Qwen3-Coder-Next-FP8. Không giống các ví dụ giả sưu tập đơn giản, mỗi kiến trúc trong bộ dữ liệu này mô phỏng các hệ thống doanh nghiệp thực tế với các lớp máy khách, bảo mật biên, cổng API, lưới dịch vụ, ranh giới tuân thìn và cơ sở hạ tầng đa đám mây.
✨ Điểm nổi bật
- 293.000+ mẫu kiến trúc: Mỗi mẫu là một kiến trúc phần mềm doanh nghiệp hoàn chỉnh.
- 2 mô hình sinh: Sử dụng GPT-OSS-120B và Qwen3-Coder-Next-FP8 để tạo nội dung.
- 42 ngành dịch vụ: Bao phủ FinTech, MLOps, Cyber Security, Healthcare, vv.
- 8 phong cách kiến trúc: Microservices, Event-Driven, Zero-Trust, CQRS, vv.
- 6 môi trường đám mây: AWS, Azure, GCP, Multi-Cloud, Hybrid, On-Premises.
- 4 mức độ phức tạp: Small, Medium, Large, Enterprise.
- 9 loại biểu đồ Mermaid: Hỗ trợ flowchart, sequenceDiagram, erDiagram, vv.
- Định dạng JSONL: Dễ dàng tích hợp với công cụ xử lý dữ liệu.
💡 Vì sao đáng chú ý
Bộ dữ liệu này khác biệt ở chất lượng và đa dạng thực tế. Mỗi mảu được sinh ra thông qua công nghệ batching liên tục trên 2 GPU NVIDIA H100 NVL và trải qua quy trình xác thực nhiều giai đoạn để đảm bảo tính hợp lệ cú pháp và mật độ kiến trúc. Đây là nguồn dữ liệu lý tưởng để huấn luyện hoặc đánh giá các mô hình AI trong việc sinh mã Mermaid từ yêu cầu người dùng tự nhiên.
#TechnicalArchitecture #Mermaid #Dataset #AI #TiniX
Dự án tương tự
Khám phá các dự án và mô hình AI khác có sự tương đồng.
Scaling Synthetic Data Creation with 1,000,000,000 Personas This repo releases data introduced in our paper Scaling Synthetic Data Creation with 1,000,000,000 Personas: We propose a novel persona-driven data synthesis methodology that leverages various perspectives within a large language model (LLM) to create diverse synthetic data. To fully exploit this methodology at scale, we introduce PERSONA HUB – a collection of 1 billion diverse personas automatically curated from web… See the full description on the dataset page: https://huggingface.co/datasets/proj-persona/PersonaHub.
📚 FineWeb-Edu 1.3 trillion tokens of the finest educational data the 🌐 web has to offer Paper: https://arxiv.org/abs/2406.17557 What is it? 📚 FineWeb-Edu dataset consists of 1.3T tokens and 5.4T tokens (FineWeb-Edu-score-2) of educational web pages filtered from 🍷 FineWeb dataset. This is the 1.3 trillion version. To enhance FineWeb's quality, we developed an educational quality classifier using annotations generated by LLama3-70B-Instruct. We… See the full description on the dataset page: https://huggingface.co/datasets/HuggingFaceFW/fineweb-edu.
Dataset Card for UltraChat 200k Dataset Description This is a heavily filtered version of the UltraChat dataset and was used to train Zephyr-7B-β, a state of the art 7b chat model. The original datasets consists of 1.4M dialogues generated by ChatGPT and spanning a wide range of topics. To create UltraChat 200k, we applied the following logic: Selection of a subset of data for faster supervised fine tuning. Truecasing of the dataset, as we observed around 5% of… See the full description on the dataset page: https://huggingface.co/datasets/HuggingFaceH4/ultrachat_200k.
中文基于满血DeepSeek-R1蒸馏数据集（Chinese-Data-Distill-From-R1） 🤗 Hugging Face | 🤖 ModelScope | 🚀 Github | 📑 Blog 注意：提供了直接SFT使用的版本，点击下载。将数据中的思考和答案整合成output字段，大部分SFT代码框架均可直接直接加载训练。 本数据集为中文开源蒸馏满血R1的数据集，数据集中不仅包含math数据，还包括大量的通用类型数据，总数量为110K。 为什么开源这个数据？ R1的效果十分强大，并且基于R1蒸馏数据SFT的小模型也展现出了强大的效果，但检索发现，大部分开源的R1蒸馏数据集均为英文数据集。 同时，R1的报告中展示，蒸馏模型中同时也使用了部分通用场景数据集。 为了帮助大家更好地复现R1蒸馏模型的效果，特此开源中文数据集。 该中文数据集中的数据分布如下：… See the full description on the dataset page: https://huggingface.co/datasets/Congliu/Chinese-DeepSeek-R1-Distill-data-110k.
Infinity Instruct Beijing Academy of Artificial Intelligence (BAAI) [Paper][Code][🤗] The quality and scale of instruction data are crucial for model performance. Recently, open-source models have increasingly relied on fine-tuning datasets comprising millions of instances, necessitating both high quality and large scale. However, the open-source community has long been constrained by the high costs associated with building such extensive and high-quality instruction… See the full description on the dataset page: https://huggingface.co/datasets/BAAI/Infinity-Instruct.
arXiv Complete Corpus A snapshot of arXiv's metadata, version history, submission files and rendered documents. It covers 3,148,796 papers and includes file contents, paths, sizes and SHA-256 digests. Metadata comes from arXiv's OAI-PMH arXivRaw interface; files come from the GCS mirror, S3 source archives and direct PDF fetches. This release holds a PDF for 99.47% of papers and 99.54% of versions reported with a non-zero submission size. It is a one-off snapshot; coverage gaps… See the full description on the dataset page: https://huggingface.co/datasets/secemp9/arxiv-complete.
Glint Research Dataset Card Fable 5 Pi Agent Traces A compact, high-signal corpus of Fable 5 coding-agent traces converted into Hugging Face Agent Traces / Pi-compatible sessions for Data Studio inspection, tool-use policy learning, and reasoning/action distillation. Primary Config pi_agent/train Agent Trace preview enabled 4,665 Pi trace sessions 60 source sessions 3,799 tool… See the full description on the dataset page: https://huggingface.co/datasets/Glint-Research/Fable-5-traces.
Dataset Card for HH-RLHF Dataset Summary This repository provides access to two different kinds of data: Human preference data about helpfulness and harmlessness from Training a Helpful and Harmless Assistant with Reinforcement Learning from Human Feedback. These data are meant to train preference (or reward) models for subsequent RLHF training. These data are not meant for supervised training of dialogue agents. Training dialogue agents on these data is likely… See the full description on the dataset page: https://huggingface.co/datasets/Anthropic/hh-rlhf.
Dataset Card for Wikimedia Wikipedia Dataset Summary Wikipedia dataset containing cleaned articles of all languages. The dataset is built from the Wikipedia dumps (https://dumps.wikimedia.org/) with one subset per language, each containing a single train split. Each example contains the content of one full Wikipedia article with cleaning to strip markdown and unwanted sections (references, etc.). All language subsets have already been processed for recent dump… See the full description on the dataset page: https://huggingface.co/datasets/wikimedia/wikipedia.