数据中心

该数据集包含开普勒太空望远镜观测到的约10,000个系外行星候选体的累积记录，涵盖候选体名称、处置状态（候选、误报、已确认）及置信度评分等关键信息。适用于分析系外行星确认与误报的规律，探索行星候选体的特征分布，以及研究命名和置信度评分模式。

IndustryCorpus2 是一个覆盖 30 余个行业类别的高质量预训练数据集，包含中文约 1TB、英文约 2.2TB 的文本数据。数据经过规则与模型双重语义质量筛选，并根据质量评估分数划分为高、中、低三个层级，以适配不同场景的模型训练需求。行业分类结合了国民经济行业分类与世界知识体系，涵盖编程、生物医药、法律、金融、数学统计、交通运输、航空航天、制造业等主流领域，旨在为行业大模型提供专业、大规模且高质量的训练语料。

这个数据集聚焦于青少年心理健康与社交媒体使用之间的关系，包含1200名13至19岁青少年的行为与心理指标。数据涵盖社交媒体使用时长、首选平台、睡眠时长、身体活动水平、学业表现、压力与焦虑程度，以及抑郁状态标签。通过分析这些变量，可以观察到睡眠不足、过度使用社交媒体、高压力焦虑与抑郁倾向之间的关联，同时身体活动似乎对心理健康具有一定保护作用。该数据集适用于探索影响青少年心理健康的多种因素，支持分类、回归或相关性分析等任务。

这是一个由社区贡献的AI提示词（prompts）数据集，包含大量用户分享的各类对话提示，适用于ChatGPT、Claude、Gemini、Llama、Mistral等主流AI聊天模型。数据覆盖问答和文本生成任务，规模在10万到100万条之间，提供CSV等格式，方便直接使用和分析。

这个数据集收录了2026年世界杯期间球员的详细表现数据，涵盖个人属性、比赛参与记录、进攻与防守统计、传球与射门指标、门将数据、纪律情况以及体能表现等。无论是用于构建球员评分模型、分析比赛走势，还是进行战术评估与可视化展示，都能提供丰富的分析基础。适合体育数据分析、机器学习和足球研究等多种场景。

该数据集覆盖2026年世界杯全部104场比赛，包含48支球队、1248名球员的完整信息，并实时更新比赛结果、预期进球（xG）、逐分钟事件、球队统计等。数据采用关系型结构，便于SQL建模，可服务于体育分析、机器学习预测及可视化展示。

GLM-4.7-185B-W4A16 是一个经过 4 比特权重量化（W4A16）的混合专家（MoE）模型，基于 GLM-4.7-185B 压缩而来。模型总参数量为 1850 亿，采用 INT4 权重与 FP16 激活的格式，磁盘占用约 99 GB，适用于文本生成任务。该量化版本在保持模型能力的同时显著降低了存储和推理时的显存需求。

该模型是一个面向中文普通话的离线语音识别模型，基于SeACoParaformer架构，支持热词定制功能，能够有效提升指定热词的识别准确率。模型采用非自回归解码方式，在16kHz采样率下运行，基于5万小时工业级中文任务数据训练，具有较好的泛化能力。在AISHELL-1-hotword测试集上，平均字错率（CER）为8.53%，每秒实时因子（RTF）为0.0251，兼顾了识别精度与推理速度。

DeepSeek-V3.2 是一个在高效推理与智能代理能力上取得显著进展的模型。它通过三项关键技术突破实现了高性能：新型稀疏注意力机制（DSA）大幅降低长上下文场景的计算复杂度；可扩展的强化学习框架使其在竞赛推理任务中达到甚至超越 GPT-5，其中高算力变体 DeepSeek-V3.2-Speciale 在性能上超越 GPT-5，并与 Gemini-3.0-Pro 持平；大规模代理任务合成管道则让模型在工具使用场景中更好地融合推理能力，提升复杂交互环境下的泛化与合规性。该模型在 2025 年国际数学奥林匹克（IMO）和国际信息学奥林匹克（IOI）中均获得金牌级表现。

小红书创作者笔记数据集包含创作者发布的帖子、帖子详情和评论等结构化内容，适合研究内容主题、互动和创作者生态。

微信公众号文章数据集包含采集到的公众号文章及其结构化字段，使用 JSON 保存标题、正文、账号和发布时间等文章信息。

OmniThoughtV 是一个大规模多模态长链推理数据集，包含约 180 万条样本。数据集通过蒸馏技术构建，将图像与思维链推理过程相结合，样本格式包含系统提示、用户问题以及助手的逐步推理和最终答案，图像以 base64 编码字符串存储。使用该数据集微调模型，能够有效提升模型在视觉理解和推理任务上的表现，尤其在推理密集型基准上效果显著。

该数据集包含用于接受测试的HTTP文件，数据格式为二进制，不可直接读取。内容涉及HTTP文件传输的验证场景。

该数据集聚焦于机器人操作任务，包含在家庭场景中使用机械臂拾取纸板箱并放入纸箱的完整过程。数据涵盖402个操作片段、约18.8万帧，提供8个相机视角的视频及状态、动作数据。附有精细的子任务分割、场景描述、末端执行器方向和速度等注释，支持机器人学习与操作技能研究。

SenseVoiceSmall 是一款高精度多语言语音识别模型，支持超过50种语言的语音识别，并具备情感辨识和音频事件检测能力。它采用非自回归端到端框架，推理速度极快，10秒音频仅需约70毫秒处理。模型不仅能识别语音内容，还能检测音乐、掌声、笑声等常见声学事件，并输出带有情感标签的富文本转写结果。此外，它还支持便捷的微调定制和完整的服务部署，适用于多种实际应用场景。

CAM++ 说话人确认模型基于密集连接时延神经网络，专为中文通用场景设计，在约 200k 说话人的大规模数据集上训练而成。该模型在说话人识别任务中兼顾高性能与高效率，相比主流模型（如 ResNet34、ECAPA-TDNN）在准确率与推理速度上均有优势，可广泛用于说话人确认、说话人日志、语音合成及说话人风格转换等场景。

FSMN语音端点检测模型是一个中文通用的VAD模型，支持16kHz采样率。它能够准确检测长语音片段中有效语音的起止时间点，基于FSMN结构，在20,000小时工业级普通话数据上训练。该模型可与ASR模型组合使用，提升语音识别效率。

emotion2vec_plus_large 是一个通用语音情感识别基座模型，专注于从语音中识别出多种情感类别。它能够识别愤怒、厌恶、恐惧、开心、中性、其他、悲伤、惊讶和未知共9种情感状态，旨在通过大规模数据驱动的方式，提升跨语种和跨场景下的情感识别鲁棒性。该模型适用于需要从语音信号中提取情感信息的各类应用场景。

BeltOut 是一个基于 ChatterboxVC 的零样本语音到语音音色迁移模型，能够在不改变原始表演细节（如语调、情感）的前提下，仅替换音色（timbre）。它通过 192 维的 x-vector 表示任意音色，可应用于任意输入语音，实现精准的音色转换。该模型旨在学习音色对表演传递的通用影响，从而生成与目标音色一致的完整语音输出。

Kimi-Audio-7B-Instruct 是一个开源音频基础模型，统一处理音频理解、生成与对话任务。支持语音识别、音频问答、描述、情感识别、事件分类及端到端语音对话，基于大规模多模态预训练与混合音频输入架构，实现高效推理与流式音频生成。适用于语音交互、音频内容分析等场景。