datasets
Training and evaluation data, with the modality, task and licence stated up front. Listed live from the Hugging Face Hub.
ndl-core-structured-data
NDL Core – Structured Data
Overview
NDL Core – Structured Data is a curated collection of structured UK public sector datasets, converted into Apache Parquet format for efficient analytics and machine learning workflows.
This repository is part of the broader NDL Core Corpus, which combines both textual and structured data sourced from authoritative UK government and public sector platforms.
Textual sources (e.g. GOV.UK, Hansard, legislation.gov.uk) are hosted separately… See the full description on the dataset page: https://huggingface.co/datasets/theodi/ndl-core-structured-data.w3_data_structuredfull-structured-instruction-sft-dataset
Full Structured + Instruction SFT Corpus
Unified SFT training corpus built from Glaive, Hermes, UltraChat, and synthetic structured-output data.
Dataset repo
mdonigian/full-structured-instruction-sft-datasetRelease date: 2026-03-11
Included files
train_full_sft.jsonl: full merged and shuffled SFT dataset
source_glaive.jsonl: processed Glaive subset
source_hermes.jsonl: processed Hermes subset
source_ultrachat.jsonl: processed UltraChat subset… See the full description on the dataset page: https://huggingface.co/datasets/mdonigian/full-structured-instruction-sft-dataset.Agent-IPI-Structured-Interaction-Datasets-v2
Adversarial Dataset for LLM Instruction Hijacking / Tool-Calling Attacks
This directory contains the processed training and test datasets for evaluating and training defenses against prompt injection / instruction hijacking attacks in LLM tool-calling scenarios.
The dataset includes both JSON and XML formatted inputs, with three difficulty buckets:
no_attack: clean (benign) examples
easy: value-level or structure-level single attacks
hard: structure-destroying attacks or combined… See the full description on the dataset page: https://huggingface.co/datasets/Z-Edgar/Agent-IPI-Structured-Interaction-Datasets-v2.Agent-IPI-Structured-Interaction-Datasets
Dataset Card for Indirect Prompt Injection in Agent Structured Interaction Datasets
Dataset Summary
This dataset contains 470,000 QA pairs designed to study indirect prompt injection in agent-structured interactions. It is split into a training set (80%) and a test set (20%). The dataset is evenly divided into 50% clean-clean QA pairs (no prompt injection) and 50% clean-injected QA pairs (containing prompt injection). The task is to detect and remove prompt injection… See the full description on the dataset page: https://huggingface.co/datasets/Z-Edgar/Agent-IPI-Structured-Interaction-Datasets.structured_data_with_cot_dataset_512_v4
structured_data_with_cot_dataset
このデータセットは、様々な形式（JSON、XML、YAML、TOML、CSV）の構造化データと、それぞれに対応する簡潔な思考連鎖（Chain-of-Thought, CoT）推論を含む多様な例を提供します。
データセットの概要
messages: OpenAIチャット形式 (system, user, assistant)
metadata: format, complexity, schema, estimated_tokens
サポートされるデータ形式
JSON, XML, YAML, TOML, CSV
生成方法
Fakerライブラリを使用し、Pythonスクリプトで生成。検証用・テスト用に分割済み。
TCM-Herbal-Dataset-Structured-Sample
Structured TCM Herbal Dataset (50-Herb Sample)
Dataset Description
This dataset is a high-precision, structured collection of Traditional Chinese Medicine (TCM) herbs. It bridges the gap between classical herbal knowledge and modern data engineering.
Total Sample Records: 50
Master Database Size: 2,170+ records
Format: JSON
Fields: English/Latin/Chinese Names, Nature, Taste, Meridians, Toxicity, Chemical Compounds, and Pharmacological Mechanisms.
Use Cases… See the full description on the dataset page: https://huggingface.co/datasets/AdamGoldman/TCM-Herbal-Dataset-Structured-Sample.structured_data_merged_v2v5_0222
Dataset Card for structured_data_merged_v2v5_0222
Dataset Details
Dataset Description
structured_data_merged_v2v5_0222 is a dataset for Supervised Fine-Tuning (SFT) focused on structured data format conversion tasks — specifically, interconversion among JSON, XML, YAML, TOML, and CSV.
It was created by deduplicating and merging the following two existing datasets:
u-10bei/structured_data_with_cot_dataset_512_v2 (train split only)… See the full description on the dataset page: https://huggingface.co/datasets/takami2022/structured_data_merged_v2v5_0222.synthetic-structured-output-dataset
Synthetic Structured Output Dataset (SFT + DPO)
Synthetic training corpus for structured-output model tuning. This package contains SFT and DPO data focused on JSON schema compliance, structured extraction, and function calling.
Included files
sft_synthetic_json.jsonl — SFT samples for schema-conditioned JSON generation
sft_synthetic_extraction.jsonl — SFT samples for text-to-structured extraction
dpo_structured_output.jsonl — DPO chosen/rejected pairs for structured… See the full description on the dataset page: https://huggingface.co/datasets/mdonigian/synthetic-structured-output-dataset.structured_data_with_cot_dataset_512_v5
structured_data_with_cot_dataset
このデータセットは、様々な形式（JSON、XML、YAML、TOML、CSV）の構造化データと、それぞれに対応する簡潔な思考連鎖（Chain-of-Thought, CoT）推論を含む多様な例を提供します。
データセットの概要
messages: OpenAIチャット形式 (system, user, assistant)
metadata: format, complexity, schema, estimated_tokens
サポートされるデータ形式
JSON, XML, YAML, TOML, CSV
生成方法
Fakerライブラリを使用し、Pythonスクリプトで生成。検証用・テスト用に分割済み。
v5アップデート：ランダムなスキーマ構造の生成と、最小化(minified)/ソート(sorted)の制約を追加。
structured_data_with_cot_dataset_512_v3
structured_data_with_cot_dataset
このデータセットは、様々な形式（JSON、XML、YAML、TOML、CSV）の構造化データと、それぞれに対応する簡潔な思考連鎖（Chain-of-Thought, CoT）推論を含む多様な例を提供します。
データセットの概要
messages: OpenAIチャット形式 (system, user, assistant)
metadata: format, complexity, schema, estimated_tokens
サポートされるデータ形式
JSON, XML, YAML, TOML, CSV
生成方法
Fakerライブラリを使用し、Pythonスクリプトで生成。検証用・テスト用に分割済み。
structured_data_with_cot_dataset_512_v2_filtered_1structured_data_with_cot_dataset_512_v2_filtered_1
This repository provides a dataset for training models in terms of strutured outputs. The dataset is a part of u-10bei/structured_data_with_cot_dataset_512_v2.
Usage
from datasets import load_dataset
# From local data
dataset = load_dataset(
'json', data_files="ToshiyukiNH/structured_data_with_cot_dataset_512_v2_filtered_1", split='train'
)
print(dataset[0])
How to generate this dataset from the base one
from… See the full description on the dataset page: https://huggingface.co/datasets/ToshiyukiNH/structured_data_with_cot_dataset_512_v2_filtered_1.1.5-million-Korean-Test-Questions-Structured-Analysis-Processing-Data-Sample
Description
한국어 시험 문제 구조화 분석·가공 데이터로, 약 150만 개의 시험 문제를 포함하고 있습니다. 문제 유형, 문제, 정답, 해설 등의 정보를 포함하며, 과목은 [초등학교] 국어, 수학, 영어, 사회, 과학; [중학교] 국어, 영어, 수학, 과학, 사회; [고등학교] 국어, 영어, 수학, 물리, 화학, 생물, 역사, 지리로 구성되어 있습니다. 문제 유형에는 객관식, 빈칸 채우기, 참·거짓 문제, 단답형 문제 등이 포함됩니다. 본 데이터셋은 대규모 교과 지식 강화 및 학습 데이터 구축 등의 작업에 활용할 수 있습니다.
자세한 내용은 아래 링크를 참고해 주세요: https://ko.nexdata.ai/datasets/llm/1634?source=Hf.kr
Specifications
Data content
한국어 K12 시험 문제
Amount
약 150만 개의… See the full description on the dataset page: https://huggingface.co/datasets/Nexdata-kr/1.5-million-Korean-Test-Questions-Structured-Analysis-Processing-Data-Sample.structured_data_with_cot_dataset_512_v2
structured_data_with_cot_dataset
このデータセットは、様々な形式（JSON、XML、YAML、TOML、CSV）の構造化データと、それぞれに対応する簡潔な思考連鎖（Chain-of-Thought, CoT）推論を含む多様な例を提供します。このデータセットの目的は、自然言語プロンプトに基づいて構造化データを生成できるモデルに対し、CoTを活用してより良い推論と出力品質を達成するための高品質な学習例を提供することです。
データセットの概要
データセットの各エントリには、以下のものが含まれます。
messages: OpenAIチャット形式に従ったメッセージ辞書のリストで、以下で構成されます。
systemメッセージ: 特定のデータ形式の専門家としてのコンテキストを設定します。
userメッセージ: 特定のスキーマと形式で構造化データの生成を要求するプロンプトです。多様なプロンプトテンプレートが使用されています。
assistantメッセージ: 生成された構造化データに続く思考連鎖（CoT）推論が含まれます。… See the full description on the dataset page: https://huggingface.co/datasets/u-10bei/structured_data_with_cot_dataset_512_v2.1.5-million-Korean-Test-Questions-Structured-Analysis-Processing-Data-Sample
Description
Korean Test Questions Structured Analysis Processing Data, around 1.5 million questions, contains question types, questions, answers, explanations, etc..For subjects, include [Primary School] Korean, Mathematics, English, Social Studies, Science; [Middle School] Korean, English, Mathematics, Science, Social Studies; [High School] Korean, English, Mathematics, Physics, Chemistry, Biology, History, Geography; question Types indlude single-choice question, fill-in… See the full description on the dataset page: https://huggingface.co/datasets/Nexdata-AI/1.5-million-Korean-Test-Questions-Structured-Analysis-Processing-Data-Sample.structured_data_with_cot_dataset_v2structured_data_with_cot_dataset_512_sampling_mixThis is the concatenated datasets of
u-10bei/structured_data_with_cot_dataset_512_v2 (train 5000 records)
u-10bei/structured_data_with_cot_dataset_512_v4 (train 3000 records)
u-10bei/structured_data_with_cot_dataset_512_v5 (train 2000 records)
with sampling.
Turkish_5N1K_Tabanli_Sentetik_Veri_Seti_TR-Structured_Synthetic_Dataset
🌟 DESTEK & TOPLULUK ÇAĞRISI (SUPPORT & LIKE):Açık kaynak ve ücretsiz olarak sunduğum bu devasa çalışmayı faydalı bulduysanız, projenin sürdürülebilirliğine ve açık kaynak ekosisteminin görünürlüğüne katkı sağlamak için lütfen sayfanın sağ üstündeki Like (❤️ Beğeni) butonuna basarak destek olmayı unutmayın!(If you find this open-source dataset valuable for your research or models, please consider leaving a ❤️ Like at the top-right to support future updates and maintenance).
🇹🇷… See the full description on the dataset page: https://huggingface.co/datasets/bysismo/Turkish_5N1K_Tabanli_Sentetik_Veri_Seti_TR-Structured_Synthetic_Dataset.structured-generation-information-extraction-vlms-openbmb-RLAIF-V-Datasetstructured_data_with_cot_dataset_512structured_data_with_cot_dataset_512_v2_filtered_3structured_data_with_cot_dataset_512_v2_filtered_3
This repository provides a dataset for training models in terms of strutured outputs. The dataset is a part of u-10bei/structured_data_with_cot_dataset_512_v2.
Usage
from datasets import load_dataset
# From local data
dataset = load_dataset(
'json', data_files="ToshiyukiNH/structured_data_with_cot_dataset_512_v2_filtered_3", split='train'
)
print(dataset[0])
How to generate this dataset from the base one
from… See the full description on the dataset page: https://huggingface.co/datasets/ToshiyukiNH/structured_data_with_cot_dataset_512_v2_filtered_3.structured_data_with_cot_dataset_512_v2
structured_data_with_cot_dataset
このデータセットは、様々な形式（JSON、XML、YAML、TOML、CSV）の構造化データと、それぞれに対応する簡潔な思考連鎖（Chain-of-Thought, CoT）推論を含む多様な例を提供します。このデータセットの目的は、自然言語プロンプトに基づいて構造化データを生成できるモデルに対し、CoTを活用してより良い推論と出力品質を達成するための高品質な学習例を提供することです。
データセットの概要
データセットの各エントリには、以下のものが含まれます。
messages: OpenAIチャット形式に従ったメッセージ辞書のリストで、以下で構成されます。
systemメッセージ: 特定のデータ形式の専門家としてのコンテキストを設定します。
userメッセージ: 特定のスキーマと形式で構造化データの生成を要求するプロンプトです。多様なプロンプトテンプレートが使用されています。
assistantメッセージ: 生成された構造化データに続く思考連鎖（CoT）推論が含まれます。… See the full description on the dataset page: https://huggingface.co/datasets/kazumint/structured_data_with_cot_dataset_512_v2.structured_data_with_cot_dataset_512_crean
structured_data_with_cot_dataset
このデータセットは、様々な形式（JSON、XML、YAML、TOML、CSV）の構造化データと、それぞれに対応する簡潔な思考連鎖（Chain-of-Thought, CoT）推論を含む多様な例を提供します。このデータセットの目的は、自然言語プロンプトに基づいて構造化データを生成できるモデルに対し、CoTを活用してより良い推論と出力品質を達成するための高品質な学習例を提供することです。
データセットの概要
データセットの各エントリには、以下のものが含まれます。
messages: OpenAIチャット形式に従ったメッセージ辞書のリストで、以下で構成されます。
systemメッセージ: 特定のデータ形式の専門家としてのコンテキストを設定します。
userメッセージ: 特定のスキーマと形式で構造化データの生成を要求するプロンプトです。多様なプロンプトテンプレートが使用されています。
assistantメッセージ: 生成された構造化データに続く思考連鎖（CoT）推論が含まれます。… See the full description on the dataset page: https://huggingface.co/datasets/sasa5555/structured_data_with_cot_dataset_512_crean.Indirect-Prompt-Injection-in-Agent-Structured-Interaction-Datasets10bei_structured_data_with_cot_dataset_512_v2_constraints_added_ver2structured-generation-information-extraction-vlms-openbmb-RLAIF-V-Datasetstructured_data_with_cot_dataset_512_v2_r0.6
structured_data_with_cot_dataset
このデータセットは、様々な形式（JSON、XML、YAML、TOML、CSV）の構造化データと、それぞれに対応する簡潔な思考連鎖（Chain-of-Thought, CoT）推論を含む多様な例を提供します。このデータセットの目的は、自然言語プロンプトに基づいて構造化データを生成できるモデルに対し、CoTを活用してより良い推論と出力品質を達成するための高品質な学習例を提供することです。
データセットの概要
データセットの各エントリには、以下のものが含まれます。
messages: OpenAIチャット形式に従ったメッセージ辞書のリストで、以下で構成されます。
systemメッセージ: 特定のデータ形式の専門家としてのコンテキストを設定します。
userメッセージ: 特定のスキーマと形式で構造化データの生成を要求するプロンプトです。多様なプロンプトテンプレートが使用されています。
assistantメッセージ: 生成された構造化データに続く思考連鎖（CoT）推論が含まれます。… See the full description on the dataset page: https://huggingface.co/datasets/naoyasss/structured_data_with_cot_dataset_512_v2_r0.6.structured_data_with_cot_dataset_512_collected_from_v2v4v5_unique
Dataset creation
This dataset was merged by collecting conversion type records only
from v2, v4, and v5 of u-10bei/structured_data_with_cot_512.
and removed duplicated records.
Total records before removing duplicates:
5530 (Sources: 1485 from v2, 2037 from v4, 2008 from v5)
Type: conversion
Final records after removing duplicated records: 5451 (79 messages duplicated)
Collection method
Records with its type as conversion were collected.
License
The license… See the full description on the dataset page: https://huggingface.co/datasets/Kauhiro/structured_data_with_cot_dataset_512_collected_from_v2v4v5_unique.structured-generation-information-extraction-vlms-openbmb-RLAIF-V-Datasetcombined-structured-dataset
Combined Structured Output Dataset
このデータセットは、構造化出力生成タスクのための統合データセットです。
Dataset Details
Total Samples: 3,425
Source Datasets:
u-10bei/structured_data_with_cot_dataset_v2 (2,500 samples)
daichira/structured-3k-mix-sft (3,000 samples)
Preprocessing:
Format normalization to 3-turn (system/user/assistant)
Deduplication by user content
Quality filtering
Format Distribution
JSON: 685 (20.0%)
YAML: 485 (14.2%)
TOML: 685 (20.0%)
XML: 885 (25.8%)
CSV: 685… See the full description on the dataset page: https://huggingface.co/datasets/kurota0612/combined-structured-dataset.