Git Stars Git Stars

#data-synthesis Repositorios

Descubre 15 repositorios activos de código abierto de GitHub etiquetados con #data-synthesis, que acumulan 21,082 estrellas en total (una media de 1,405 estrellas por proyecto). El líder de este tema es OpenDCAI/DataFlow, con 8,650 estrellas.

15
Total de Repositorios
21,082
Total de estrellas
1,405
Promedio de Estrellas/Repo

15 repositorios en total

1
OpenDCAI/DataFlow

[SIGMOD'27] Preparación sencilla de datos con los operadores y pipelines más recientes basados en LLM.

OpenDCAI
⭐ 8,650 Python 👤 OpenDCAI Organization 🕐 Actualizado 2026-11-18 📅 Creado 2024-10-13
2
AgaMiko/data-augmentation-review

Lista de recursos útiles para el aumento de datos. Aquí encontrarás algunas técnicas no comunes, bibliotecas, enlaces a repositorios de GitHub, artículos y otros.

AgaMiko
⭐ 1,636 👤 AgaMiko User 🕐 Actualizado 2026-11-03 📅 Creado 2019-09-28
3
tencent-ailab/persona-hub

Repositorio oficial del artículo "Scaling Synthetic Data Creation with 1,000,000,000 Personas"

tencent-ailab
⭐ 1,585 Python 👤 tencent-ailab User 🕐 Actualizado 2025-02-19 📅 Creado 2024-06-22
4
Tebmer/Awesome-Knowledge-Distillation-of-LLMs

Este repositorio recopila artículos para "A Survey on Knowledge Distillation of Large Language Models" (Una Revisión sobre la Destilación del Conocimiento de Modelos de Lenguaje Grandes). Desglosamos la KD en Extracción de Conocimiento y Algoritmos de Destilación, y exploramos la Destilación de Habilidades y Vertical de los LLM.

Tebmer
⭐ 1,282 👤 Tebmer User 🕐 Actualizado 2025-03-09 📅 Creado 2024-02-08
5
InternScience/GraphGen

GraphGen: Mejora del ajuste fino supervisado para LLM con generación de datos sintéticos impulsada por el conocimiento

InternScience
⭐ 1,236 Python 👤 InternScience Organization 🕐 Actualizado 2026-11-08 📅 Creado 2025-01-08
6
jsyoon0823/TimeGAN

Código base para Redes Generativas Antagónicas de Series Temporales (TimeGAN) – NeurIPS 2019

jsyoon0823
⭐ 1,068 Jupyter Notebook 👤 jsyoon0823 User 🕐 Actualizado 2026-02-05 📅 Creado 2020-04-24
7
OpenDataBox/awesome-data-llm

Repositorio oficial del artículo de encuesta "LLM × DATA"

OpenDataBox
⭐ 836 👤 OpenDataBox Organization 🕐 Actualizado 2026-10-25 📅 Creado 2024-08-04
8
showlab/videollm-online

VideoLLM-online: Large Language Model en línea para video en streaming (CVPR 2024)

showlab
⭐ 690 Python 👤 showlab Organization 🕐 Actualizado 2025-11-26 📅 Creado 2024-06-17
9
yorkeccak/Polyseer

Polymarket alfa a la velocidad del ahora.

yorkeccak
⭐ 666 TypeScript 👤 yorkeccak User 🕐 Actualizado 2026-11-08 📅 Creado 2025-08-30
10
kaist-avelab/K-Radar

Detección de objetos por radar 4D para conducción autónoma en diversas condiciones meteorológicas

kaist-avelab
⭐ 624 Python 👤 kaist-avelab User 🕐 Actualizado 2026-06-26 📅 Creado 2023-01-02
11
inclusionAI/ASearcher

Un Proyecto de Aprendizaje por Refuerzo a Gran Escala de Código Abierto para Agentes de Búsqueda

inclusionAI
⭐ 617 Python 👤 inclusionAI Organization 🕐 Actualizado 2025-11-26 📅 Creado 2025-08-05
12
microsoft/MS-SNSD

El Microsoft Scalable Noisy Speech Dataset (MS-SNSD) es un conjunto de datos de voz ruidosa que puede escalar a tamaños arbitrarios dependiendo del número de hablantes, tipos de ruido y niveles de Relación Señal-Ruido (SNR) deseados.

microsoft
⭐ 573 HTML 👤 microsoft Organization 🕐 Actualizado 2024-07-01 📅 Creado 2019-08-26
13
Flame-Code-VLM/Flame-Code-VLM

Flame es un sistema de IA multimodal de código abierto diseñado para traducir maquetas de diseño de UI en código React de alta calidad. Aprovecha el modelado de visión y lenguaje, la síntesis de datos automatizada y los flujos de trabajo de entrenamiento estructurados para cerrar la brecha entre el diseño y el desarrollo front-end.

Flame-Code-VLM
⭐ 564 Python 👤 Flame-Code-VLM Organization 🕐 Actualizado 2026-02-11 📅 Creado 2025-02-10
14
swz30/CycleISP

[CVPR 2020--Oral] CycleISP: Restauración de imágenes reales mediante síntesis de datos mejorada

swz30
⭐ 555 Python 👤 swz30 User 🕐 Actualizado 2024-09-24 📅 Creado 2020-03-15
15
DIYer22/bpycv

Utilidades de visión por computadora para Blender (generar anotación de instancias, profundidad y pose 6D con una línea de código)

DIYer22
⭐ 506 Python 👤 DIYer22 User 🕐 Actualizado 2025-08-05 📅 Creado 2019-12-29

Preguntas frecuentes

1

¿Cuál es el repositorio de #data-synthesis más popular en GitHub?

El proyecto de código abierto de #data-synthesis mejor posicionado en GitHub es OpenDCAI/DataFlow, con 8,650 estrellas. [SIGMOD'27] Preparación sencilla de datos con los operadores y pipelines más recientes basados en LLM.

2

¿Qué lenguajes de programación se utilizan más en los repositorios de #data-synthesis?

Entre los proyectos de #data-synthesis mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, TypeScript, HTML.

3

¿Cómo se calcula la clasificación de los repositorios de #data-synthesis?

Seguimos 15 repositorios activos de código abierto etiquetados con #data-synthesis (500+ estrellas), que suman un total de 21,082 estrellas, con una media de 1,405 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.