数据中心

这个数据集包含约11万条中文对话样本，每条数据由用户提问和模型回答组成，内容涵盖广泛的知识与推理场景。数据基于高性能大语言模型生成，旨在用于微调时作为通用数据集混合，帮助模型保持知识广度、避免遗忘。

Qwen3-30B-A3B-Thinking-2507 是一个基于 Transformer 的因果语言模型，采用混合专家（MoE）架构，总参数量为 30.5B，每次推理仅激活 3.3B 参数。它原生支持高达 262K 的上下文长度，在逻辑推理、数学、科学、编程等复杂推理任务上表现显著提升，同时指令遵循、工具使用、文本生成等通用能力也有明显增强。该模型默认开启深度思考模式，特别适合处理高复杂度的推理场景。

这是一个中文诗词数据集，收录了从中国古代各朝代的诗词作品，可用于训练诗词续写模型。数据集包含约38.9万条训练样本和1710条测试样本，每条记录以“text1”字段存储一段完整的诗词内容。数据格式支持CSV、JSON和Markdown，便于不同场景下的使用。

Chinese Fineweb-Edu 数据集 V2.2 是一个面向中文教育领域的高质量数据集，覆盖从预训练到监督微调（SFT）的完整流程。该版本基于 DeepSeek V3.2 模型，从顶尖质量语料中提取了 143 万条高质量问答对，专为后训练阶段设计。数据集包含 SFT 问答、SFT 上下文和预训练等多种配置，旨在解决中文开源社区中优质教育语料稀缺的问题，助力提升模型在教育场景下的表现。

NuminaMath-CoT 是数学推理训练与评测数据集，包含约 86 万道数学题及对应解答，字段包括题目、解答、来源和多轮消息，并提供训练集与测试集。

这个数据集是为PCMind-v2.1-Kaiyuan-2B语言模型提供的完整预训练数据集，总规模超过1TB。它包含5个训练阶段，覆盖英语、中文、代码、数学和SFT五大领域，并采用领域特定的混合策略和两种采样方式（前两阶段均匀采样，后三阶段基于课程学习排序）。数据以文本形式呈现，支持中英文，适用于文本生成任务。

Janus-Pro 是一个统一的多模态理解与生成框架，通过解耦视觉编码路径，在保持单一统一 Transformer 架构的同时，缓解了视觉编码器在理解与生成任务中的冲突，提升了灵活性与性能。该模型基于 DeepSeek-LLM 构建，在理解任务中使用 SigLIP-L 视觉编码器（支持 384×384 图像输入），图像生成则采用下采样率为 16 的 tokenizer，在多项任务上达到或超越了专用模型的水平。

DeepSeek-R1T-Chimera 是一个开源模型，通过合并 DeepSeek-R1 和 DeepSeek-V3（0324）的权重而来，融合了 R1 的推理能力与 V3 的 token 效率。该模型采用 DeepSeek-MoE Transformer 架构，于 2025 年 4 月发布，适用于文本生成任务。

Ring-1T 是一个万亿参数级别的开源思考模型，采用 Ling 2.0 架构，总参数量达 1 万亿，激活参数为 500 亿，支持最长 128K 的上下文窗口。该模型通过大规模可验证奖励强化学习（RLVR）训练，显著提升了自然语言推理能力，并经过 RLHF 优化使通用能力更加均衡，在数学竞赛、代码生成和逻辑推理等挑战性基准上表现领先。

LLaDA2.0-flash-preview 是一个基于扩散技术的语言模型，采用混合专家（MoE）架构，总参数量达1000亿，但推理时仅激活约61亿参数，显著降低了计算成本。它在代码生成、复杂数学推理以及工具调用等任务上表现突出，并在多个基准测试中展现出与同类开源模型相比更优的性能。该模型支持指令微调，适用于实际应用场景，未来还将通过强化学习进一步提升推理能力。

DeepSeek-V3.2-REAP-345B-A37B 是一个基于 DeepSeek-V3.2 高效压缩而来的稀疏混合专家（SMoE）语言模型。通过名为 REAP 的专家剪枝方法，模型在保留路由器对剩余专家独立控制的前提下，均匀剪除了 50% 的专家，参数量从 671B 压缩至 345B，每 token 仅激活 37B 参数。该模型在代码生成、数学推理、工具调用等任务上保持了近乎无损的性能，同时显著降低了内存占用和部署成本。它可直接兼容标准 vLLM 推理框架，无需额外修改，特别适合资源受限环境、本地部署及学术研究场景。

MiMo-V2-Flash 是面向文本生成与推理的大语言模型资源，镜像包含模型权重、配置和推理代码等文件，不属于可按行读取的传统数据集。

Grok-1 是一个基于 Apache-2.0 许可证开源的文本生成模型，拥有 3140 亿参数。该模型提供了开放权重，适用于多 GPU 环境下的推理。由于参数量巨大，运行需要配备多块 GPU 的机器。

QwQ-32B是Qwen系列中的推理模型，拥有32.5B参数，基于Transformer架构，支持最长131,072 tokens的上下文。它经过预训练、监督微调与强化学习，具备深度思考与推理能力，在复杂任务上表现优异，可对标业界领先的推理模型。

OpenOrca是一个大规模英语数据集，专注于自然语言处理中的指令跟随与对话任务。它包含约100万条由GPT-4生成的完成数据和约320万条由GPT-3.5生成的完成数据，总计约420万条样本。该数据集基于FLAN Collection进行增强，旨在与Orca论文中描述的分布对齐，可用于训练和评估高性能语言模型。其覆盖的任务类型广泛，包括对话、问答、文本分类、摘要、文本生成等。数据集采用MIT许可协议开放，是NLP研究和开发的重要资源。

该数据集专为医学大语言模型 HuatuoGPT-o1 的微调设计，包含英文、中文及混合指令等多个版本。数据基于可验证的医学问题构建，通过 GPT-4o 生成推理过程并由医学验证器校验，旨在提升模型在复杂医学推理任务中的表现。