Taiwan Tongues/台湾华语开源语料库

台湾多源预训练集-9.1B: https://huggingface.co/datasets/benchang1110/Taiwan-pretrain-9B | 整合台湾新闻、科学等来源的繁中语料，共9.1B tokens。
萌典中文辞典: https://www.moedict.tw/萌 | 开放源码的中文字词典网站，整合教育部国语及台湾闽南语等多部词典。
TAIDE-14-tasks: https://huggingface.co/datasets/taide/TAIDE-14-tasks | 涵盖14种繁中文本生成任务的测评集，包含140个专家验证提示与标准回应。
Taide-bench: https://huggingface.co/datasets/taide/taide-bench | 五项繁中生成能力测试集，每项500个样本，涵盖写信、写作、摘要和双向翻译任务。
台湾本地化对话集: https://huggingface.co/datasets/yentinglin/TaiwanChat | 由yentinglin创建的台湾对话资料。
台湾LLM训练资料集: https://huggingface.co/datasets/yentinglin/twllm-data | yentinglin建立的台湾大型语言模型训练资料。
繁中维基新闻集: https://huggingface.co/datasets/erhwenkuo/wikinews-zhtw | erhwenkuo整理的繁体中文维基新闻资料集，收录维基新闻的繁中文章内容。
繁中C4语料库: https://huggingface.co/datasets/erhwenkuo/c4-chinese-zhtw | erhwenkuo整理的繁体中文C4语料，基于Google的Colossal Clean Crawled Corpus清理版。
繁中Dolly资料集-15K: https://huggingface.co/datasets/erhwenkuo/dolly-15k-chinese-zhtw | erhwenkuo整理的Databricks Dolly资料繁中版，包含15,000笔对话。
繁中维基文库集: https://huggingface.co/datasets/erhwenkuo/zhwikisource-zhtw | erhwenkuo整理的繁体中文维基文库资料，收录各类文学、古籍与公版著作文本。
繁中阅读理解问答集: https://huggingface.co/datasets/erhwenkuo/squad-cmrc2018-zhtw | erhwenkuo整理的繁体中文阅读理解资料，结合SQuAD与CMRC2018格式评测标准。
繁中诗词文集: https://huggingface.co/datasets/erhwenkuo/poetry-chinese-zhtw | erhwenkuo整理的繁体中文诗词资料集，收录古典与现代中文诗词作品。
繁中通用预训练集: https://huggingface.co/datasets/erhwenkuo/pretrain-chinese-zhtw | erhwenkuo整理的繁体中文预训练资料，适用于语言模型基础训练的通用文本集。
繁中流萤训练集: https://huggingface.co/datasets/erhwenkuo/firefly-train-chinese-zhtw | erhwenkuo整理的Firefly(流萤)项目繁体中文版，包含23种中文NLP任务的115万笔高品质资料。
繁中MOSS对话资料集: https://huggingface.co/datasets/erhwenkuo/moss-003-sft-chinese-zhtw | erhwenkuo整理的MOSS模型繁体中文版对话数据，基于110万条多轮对话内容转换。
coig-pc-zhtw: https://huggingface.co/datasets/erhwenkuo/coig-pc-zhtw | erhwenkuo整理的资料集。
繁中过滤爬虫集: https://huggingface.co/datasets/jed351/Traditional-Chinese-Common-Crawl-Filtered | jed351整理的繁体中文Common Crawl过滤资料，从网络爬虫中筛选的高品质内容。
台湾多领域理解测试+: https://huggingface.co/datasets/ikala/tmmluplus | ikala开发的繁中多选题测试集，涵盖66个学科领域。
繁中模型评测基准v2: https://huggingface.co/datasets/MediaTek-Research/TCEval-v2 | 联发科研究团队开发的繁体中文模型评测套件，涵盖情境问答、知识、分类与表格理解能力。
繁中台语平行语料: https://huggingface.co/datasets/Bohanlu/iCorpus-100 | Bohanlu整理的台湾华语与台语平行语料，包含100句手动校正的汉字与台罗对照。
繁中角色扮演对话集: https://huggingface.co/datasets/Tarklanse/Traditional_Chinese_roleplay_chat_Dataset | Tarklanse整理的繁体中文角色扮演对话资料，用于训练支援角色扮演的语言模型。
繁中OpenOrca资料集: https://huggingface.co/datasets/lchakkei/OpenOrca-Traditional-Chinese | lchakkei整理的OpenOrca繁体中文版，开源资料集。
繁中Aya模型资料集: https://huggingface.co/datasets/Heng666/Traditional_Chinese-aya_collection | Heng666从CohereForAI的Aya集合中筛选出的64个繁体与简体中文子集，专为繁中NLP应用优化。
繁中Aya训练数据集: https://huggingface.co/datasets/Heng666/Traditional_Chinese-aya_dataset | Heng666从CohereForAI的两个Aya子集中筛选的繁体和简体中文语料，便于直接应用于繁中NLP项目。
台湾专利语料库: https://huggingface.co/datasets/Heng666/Taiwan-patent-corpus | Heng666整理的台湾专利与商标文本语料集，含28笔Parquet格式资料。
台湾专利问答评测集: https://huggingface.co/datasets/Heng666/Taiwan-patent-qa-eval | Heng666收集的专利师考试题目，包含8年192道题目，用于评测模型在台湾专利领域表现。
台湾开放字幕语料库: https://huggingface.co/datasets/Heng666/OpenSubtitles-TW- Corpus | Heng666整理的多语言字幕资料集，包含繁中与英日韩等多国语言对照，用于机器翻译训练。
台湾专利问答资料集: https://huggingface.co/datasets/Heng666/Taiwan-patent-qa | Heng666收集的智慧财产局开放问答，约1000笔问答内容，提升模型在台湾专利领域应用能力。
台湾多语言对齐语料: https://huggingface.co/datasets/Heng666/MultiCCAligned-TW- Corpus | Heng666整理的OPUS多语言翻译资料，包含繁中与英日韩等多国语言对照文本。
桃园机场捷运翻译集: https://huggingface.co/datasets/Heng666/Taoyuan-Airport-MRT-MT-Challenge | Heng666整理的桃园机场捷运英中对照语料，用于机器翻译测试与应用。
TED演讲繁中语料: https://huggingface.co/datasets/Heng666/TED2020-TW-Corpus | Heng666整理的TED演讲(1984-2020)多语言翻译集，包含繁中与英日韩等语言对照。
中文对联资料集: https://huggingface.co/datasets/stuser2023/couplet-json | stuser2023整理的中文对联资料，使用OpenCC转换为繁体中文，JSON格式储存。
政府采购考试题库: https://huggingface.co/datasets/wuulong/purchasing_exam_questions | wuulong整理的台湾采购法规考题集，2025年3月更新版，含各类采购法考试题目。
思考能力任务列表: https://huggingface.co/datasets/wuulong/tasks_list_think | wuulong整理的思考能力评测集，包含85种推理子类与多难度测试题目，2025年版本。
VisTai 多选题文本资料集: https://huggingface.co/datasets/VisTai/mcq-text | VisTai整理的繁中多选题资料集。
VisTW 多模态选择题资料集: https://huggingface.co/datasets/VisTai/vistw-mcq | VisTai整理的繁中图文选择题资料集。
VisTW 图文对话资料集: https://huggingface.co/datasets/VisTai/vistw-dialogue | VisTai整理的繁中图文对话资料集。
台湾法律推理评测集: https://huggingface.co/datasets/lianghsun/tw-legal-benchmark-v1 | lianghsun整理的台湾法律推理评测集。
台湾急诊医学评测集: https://huggingface.co/datasets/lianghsun/tw-emergency-medicine-bench | lianghsun整理的台湾急诊医学专科试题资料集。
台湾法律合成问答资料集: https://huggingface.co/datasets/lianghsun/tw-legal-synthetic-qa | lianghsun整理的繁中法律对话合成集。
台湾法律条文上下文资料集: https://huggingface.co/datasets/lianghsun/tw-processed-law-ctx | lianghsun整理的合并版法律条文资料集。
台湾律师考试对话资料集: https://huggingface.co/datasets/lianghsun/tw-bar-examination-2020-chat | lianghsun整理的繁中律师考试对话资料集。
中英技术专利词汇资料集: https://huggingface.co/datasets/lianghsun/chinese-english-technical-patent-glossary | lianghsun整理的中华民国专利技术名词中英对照词库。
台湾法律NLP资料集: https://huggingface.co/datasets/lianghsun/tw-legal-nlp | lianghsun整理的繁中法律NLP任务资料集。
台湾智慧财产双语词汇资料集: https://huggingface.co/datasets/lianghsun/tw-ipo-bilingual-vocab | lianghsun整理的繁中智慧财产双语词汇资料集。
台湾繁中图像标注资料集: https://huggingface.co/datasets/lianghsun/coco-caption-zh_tw-val | lianghsun整理的COCO图像繁中标注资料集。
台湾资安问答资料集: https://huggingface.co/datasets/lianghsun/vulnerability-mitigation-qa-zh_tw | lianghsun整理的繁中资安防护问答资料集。
宝可梦图像标注资料集: https://huggingface.co/datasets/lianghsun/pokemon-blip-captions-en-zh_tw | lianghsun整理的繁中宝可梦图像标注资料集。
台湾法律条文资料集: https://huggingface.co/datasets/lianghsun/tw-processed-law-article | lianghsun整理的繁中法律条文资料集。
台湾小说语料资料集: https://huggingface.co/datasets/lianghsun/tw-novel-1.1B | lianghsun整理的繁中小说语料集，含1.1B tokens。
台湾判决书精选资料集: https://huggingface.co/datasets/lianghsun/tw-processed-judgments-14B | lianghsun整理的繁中判决书资料集。
台湾儿童故事语料集: https://huggingface.co/datasets/lianghsun/tw-kid-story-0.26M | lianghsun整理的繁中儿童故事语料集。
台湾知识问答评测集: https://huggingface.co/datasets/lianghsun/Formosa-bench | lianghsun整理的繁中台湾知识问答评测集，涵盖历史、地理、社会与政府等领域。
台湾繁中维基语料集: https://huggingface.co/datasets/lianghsun/wikipedia-zh-742M | lianghsun整理的繁中维基语料集。
台湾文本格式化资料集: https://huggingface.co/datasets/lianghsun/tw-text-fixer-20 | lianghsun整理的繁中排版修复对话资料集。
台湾繁中维基过滤语料集: https://huggingface.co/datasets/lianghsun/wikipedia-zh-filtered | lianghsun整理的繁中维基过滤语料集。
自然推理资料集: https://huggingface.co/datasets/lianghsun/Natural-Reasoning-R1- 10k-dpo | lianghsun整理的繁中推理偏好资料集。
台湾线上健康咨询资料集: https://huggingface.co/datasets/NeroUCH/online-health-chating | NeroUCH整理的繁中健康问答资料集。
台湾语料清洗资料集: https://huggingface.co/datasets/minyichen/tw-instruct-500k-cleaned | minyichen整理的繁中对话清洗语料，修正繁转误差与无穷回复。
台湾工具调用对话资料集: https://huggingface.co/datasets/minyichen/glaive_toolcall_zh_tw | minyichen整理的繁中工具调用对话资料集。
台湾多轮对话资料集: https://huggingface.co/datasets/benchang1110/multiturn_chat_0.8m-chinese-zhtw | benchang1110整理的繁中多轮对话资料集。
繁中对话资料集: https://huggingface.co/datasets/benchang1110/WildChat-Chinese | benchang1110整理的GPT对话资料集（繁中转换版）。
台湾对话语料资料集: https://huggingface.co/datasets/benchang1110/ChatTaiwan | benchang1110整理的繁中对话语料集。
台湾合成对话资料集（TaiwanChat-Taide）: https://huggingface.co/datasets/benchang1110/TaiwanChat-Taide | benchang1110整理的繁中合成对话资料集，基于TaiwanChat提示语生成。
台湾合成对话资料集（Guanaco-Taide）: https://huggingface.co/datasets/benchang1110/Guanaco-Taide | benchang1110整理的繁中合成对话资料集，基于Guanaco提示语生成。
台湾合成对话资料集（Belle-Taide）: https://huggingface.co/datasets/benchang1110/Belle-Taide | benchang1110整理的繁中合成对话资料集，基于Belle提示语生成。
台湾偏好优化对话资料集（DPO-Taide）: https://huggingface.co/datasets/benchang1110/DPO-Taide | benchang1110整理的繁中偏好优化对话资料集。
台湾视觉语言资料集: https://huggingface.co/datasets/benchang1110/Vision-Taiwan-595k | benchang1110整理的繁中图文对话资料集。
台湾图文对话预训练集（LLaVA zh_tw）: https://huggingface.co/datasets/benchang1110/llava_pretrain_zhtw | benchang1110整理的繁中图文预训练资料集，基于LLaVA格式。
台湾图文预训练大规模语料（TaiVision 1M）: https://huggingface.co/datasets/benchang1110/TaiVision-pretrain-1M-v1.0 | benchang1110整理的繁中图文预训练资料集，含百万笔样本。
台湾图文对话资料集（LLaVA-Instruct-150K zh_tw）: https://huggingface.co/datasets/benchang1110/LLaVA-Instruct-150K-zhtw | benchang1110整理的繁中图文对话资料集。
台湾视觉语言预训练资料集: https://huggingface.co/datasets/benchang1110/TaiVision-pretrain-1M-v2.0 | benchang1110整理的繁中图文预训练资料集，基于ShareGPT4V转换。
台湾旅游图文资料集: https://huggingface.co/datasets/benchang1110/TaiVision-TaiTravel | benchang1110整理的繁中旅游图文资料集。
台湾书籍语料资料集: https://huggingface.co/datasets/benchang1110/Taiwan-book-1B | benchang1110整理的繁中好读的书本语料集，含1.3B tokens。
台湾合成对话资料集（Guanaco-DeepSeek-R1-Distill-Qwen-1.5B）: https://huggingface.co/datasets/benchang1110/Guanaco-DeepSeek-R1-Distill-Qwen-1.5B | benchang1110整理的繁中合成对话资料集，基于DeepSeek-R1-Distill-Qwen模型生成。
台湾繁中R1蒸馏资料集: https://huggingface.co/datasets/benchang1110/Chinese-DeepSeek-R1-Distill-data-110k-opencc | benchang1110整理的繁中R1蒸馏资料集，含数学与通用任务。
台湾数学强化学习资料集: https://huggingface.co/datasets/benchang1110/Big-Math-RL-Verified-zhtw | benchang1110整理的繁中数学推理资料集。
台湾数学评测资料集: https://huggingface.co/datasets/benchang1110/MATH-500-zhtw | benchang1110整理的繁中数学评测资料集。
台湾数学竞赛资料集（AIME 2024 zh_tw）: https://huggingface.co/datasets/benchang1110/aime-2024-zhtw | benchang1110整理的繁中AIME 2024数学竞赛题库。
台湾数学竞赛资料集（AIME 2025 zh_tw）: https://huggingface.co/datasets/benchang1110/aime-2025-zhtw | benchang1110整理的繁中AIME 2025数学竞赛题库。
台湾数学推理资料集（GSM8K zh_tw）: https://huggingface.co/datasets/benchang1110/GSM8K-zhtw | benchang1110整理的繁中小学数学推理资料集。
台湾小学数学资料集（CMATH zh_tw）: https://huggingface.co/datasets/benchang1110/cmath-zhtw| benchang1110整理的繁中小学数学应用题资料集。
繁中知识型问答资料集（CoIGNeo zh_tw）: https://huggingface.co/datasets/voidful/coigneo | voidful 整理的繁体中文知识型问答资料集，涵盖多样知识主题，适用于训练与评估繁中问答系统。
繁中高难度测验资料集（TW Exam Hard zh_tw）: https://huggingface.co/datasets/voidful/tw_exam_hard | voidful 整理的繁体中文高难度测验题库，适合语言模型在理解与推理能力上的挑战性评估。
中译问答资料集（QD zh_tw）: https://huggingface.co/datasets/voidful/qd-zh | voidful 整理的中译问答对资料集，原始资料为英文问答对，翻译成繁体中文，支援语言模型在繁中语境下的问答训练。
Ruozhiba QA 繁体资料集（Ruozhiba S2T zh_tw）: https://huggingface.co/datasets/voidful/ruozhiba_s2t | voidful 整理的简体转繁体问答资料，来源包含社群问答平台，适合实用问答训练。
粤切对齐资料集（Yueqie zh_tw）: https://huggingface.co/datasets/voidful/yueqie | voidful 整理的粤语与繁中之间的断句对齐资料集，用于研究语言切词与语料比对。
繁中阅读理解资料集（DRCDC zh_tw）: https://huggingface.co/datasets/voidful/DRCDC | voidful 整理的繁体中文阅读理解资料集，加强对段落理解与问题解答的能力评估。
繁中阅读理解资料集（DRCD zh_tw）: https://huggingface.co/datasets/voidful/DRCD | voidful 整理的繁体中文阅读理解资料集，加强对段落理解与问题解答的能力评估。