数据中心

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。

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。

这个数据集专为 LaTeX 光学字符识别（OCR）任务设计，包含图像到文本的配对样本。它提供了多种子集：一个约 100K 样本的印刷体完整数据集，一个同样规模的手写体合成数据集，以及一个较小但更贴近真实手写场景的数据集。此外，还有一个小规模测试集（110 条）和基于真实手写公式渲染的印刷体版本。每个子集都划分为训练、验证和测试三部分，方便模型训练与评估。

这是一个中文通用语音识别模型，采用非自回归架构，支持对长达数小时的音频进行离线识别。模型集成了语音活动检测（VAD）、语音识别、标点恢复和时间戳输出功能，能够直接生成带标点的文字结果。在多个中文公开数据集上取得了领先的识别效果，可用于语音输入、会议纪要、语音导航等场景。

这是一个中文数据集，包含约11万条从DeepSeek-R1蒸馏得到的指令-回答对，已整合为可直接用于监督微调（SFT）的格式。数据涵盖数学、考试、STEM及通用领域（如逻辑推理、小红书、知乎等），并保留了模型打分结果（如正确性、无害性、有用性），便于后续筛选。请注意，数据由模型生成，未经严格验证，使用时需自行甄别。

这是一个用于自我认知微调的数据集，包含108条中英文对话样本。每条样本都通过可替换的占位符（如模型名称和作者）设计，方便用户自定义和生成专属大模型的自我认知数据。

Fineweb-Edu-Chinese-V2.1 是一个面向中文教育领域的大规模文本生成数据集。它包含按质量评分分档整理的内容，评分范围从 2 到 5，其中 4-5 分为高质量教育文本（约 70GB，460 亿 token），3-4 分为较适用的内容（约 800GB，5300 亿 token），2-3 分则为潜在可用但质量有限的数据（约 1.4TB，9300 亿 token）。数据集以文件夹形式组织，便于用户根据训练时间和计算资源灵活选择不同质量档位的数据，适用于各类语言模型的训练与微调。

这是一个从ShareGPT对话中精选的英文对话数据集，经过严格清洗得到约5.3万条高质量样本。清洗过程移除了非英语内容、大量重复字符，并过滤掉了包含常见“AI道德说教”短语的对话，旨在减少模型训练中的安全拒绝倾向。数据集提供两个版本，其中一个额外去掉了含有“I'm sorry, but”的实例，使用者可根据需求选择。适合用于训练开放、少限制的对话模型。

这是一个用于训练鲁棒生成式奖励模型（Master-RM）的合成数据集，包含约18万条训练样本。每条样本由问题、回答和二元偏好标签组成，适用于监督微调、偏好优化等任务。数据集特别针对生成式奖励模型容易被表面操作（如无意义符号或推理开头）欺骗的漏洞进行了增强，通过额外添加2万个负例样本，帮助模型提升抵抗这类攻击的鲁棒性。

OctoCodingBench 是一个专注于评估编码代理指令遵循能力的基准数据集。它包含 72 个精心设计的实例，每个实例都伴有任务描述、系统提示和总计 2422 个可客观判定的检查项。与仅关注任务完成度的传统基准不同，该数据集特别强调代理在解决代码任务过程中是否严格遵守系统约束、项目规范、工具使用协议等多源指令。通过多维度、二值化的检查清单，它能够有效区分任务成功与规则遵循之间的差异，为代理的可靠性和可控性评估提供了更全面的视角。

CoreCognition 是一个面向多模态大语言模型的核心知识基准数据集，源于发展认知科学中的12项基本能力。它包含1,423个多模态样本和80个概念挑战问题，涉及对象持久性、空间推理、计数等人类直觉中固有的核心能力，旨在评估模型在基础认知任务上的表现。

LIFEBench是一个专门用于评估大语言模型遵循长度指令能力的综合基准数据集。它包含英文和中文两种语言，覆盖问答、摘要、文本生成等多种任务，长度约束范围从16个单词到8192个单词不等。数据集提供了多个子集（如主集、标签集、精简集和重构集），方便不同场景下的评估。通过分析多个主流模型，该数据集发现大多数模型在短长度指令上表现良好，但超过一定长度后性能急剧下降，揭示了当前大语言模型在长度遵循方面的根本性局限。

InfoSeek 是一个面向深度研究（Deep Research）任务的合成数据集，旨在解决需要多步推理、层次化分解和证据综合的复杂问题。数据集包含多个子集：完整的检索树结构（52K 样本），记录了从根问题到子问题的逐步展开过程；基于这些树生成的问答对；一个难度更高的 18K 子集，适合用于端到端强化学习；以及 17K 的推理轨迹，可用于监督微调。此外，还提供了一个 300 条的高难度评估集，包含短而可验证的答案，专门用于评估模型在深层搜索问答上的表现。整个数据集遵循 Apache-2.0 许可，语言为英文。

该数据集包含约50万条数据科学指令，用于训练能够自主完成数据科学任务的大语言模型。内容覆盖数据准备、分析、建模、可视化和报告生成等完整流程，支持对结构化、半结构化和非结构化数据的研究分析。

该数据集是一个百万级的中英文混合语料，中文占比54%，英文占比46%，覆盖金融、社会、生物、商业、工业制造、化学、车辆、科学、疾病医疗、个人生活、安全和通用等12个领域，适用于数百个使用场景。数据主要支持三种信息抽取任务：命名实体识别（NER）涵盖中文28种实体类型和英文130种实体类型；关系抽取（RE）涵盖中文232种关系和英文236种关系；事件抽取（EE）涵盖中文84种事件类型和203种论元，以及英文45种事件类型和62种论元。

VitaBench是一个用于评估大语言模型代理能力的基准测试，基于真实生活服务场景构建，涵盖外卖、到店消费和在线旅游等领域。该基准集成了66种工具，包含100个跨场景任务和300个单场景任务，要求代理在多轮对话中理解模糊指令、追踪用户意图并灵活调用工具。评估显示，当前最先进的模型在跨场景任务上仅能达到32.5%的成功率，凸显了该基准在推动实用化AI代理发展方面的价值。

这是一个大规模、多语言的对话数据集，由13,500多名志愿者众包构建而成。其中包含超过16万条人类编写的助手式对话消息，覆盖35种语言，并附有超过46万条质量评分。数据以对话树形式组织，每条消息包含角色（助手或提示者）、语言、审核结果、标签以及毒性评估等丰富字段，可用于训练和评估对话模型的对齐能力。

AgentWorldBench是一个评估语言世界模型能力的综合基准，它基于前沿模型在真实环境中执行任务时的轨迹数据构建而成。该基准覆盖了七个领域：API服务器响应、搜索引擎结果、命令行环境、代码编辑环境、Android UI、浏览器DOM以及桌面操作系统。每个评估样本包含多轮交互历史，要求模型根据之前的动作和观察，预测当前环境观察结果。评价维度包括格式、事实性、一致性、真实性和质量，旨在全面检验世界模型在推理、知识和长上下文理解方面的能力。