数据集
136 个数据集
热门分类：
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。
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。
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。
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。
yiliu666/xiaoduan
已完整同步
该数据集包含了小端AI助手的多个版本安装包、本地模型文件及相关资料。小端AI是一款运行在Windows和macOS上的智能助手，支持语音和文字交互，具备永久记忆、视频识别、图片识别、音频识别、自我进化等能力，并能接入QQ、飞书等平台实现语音对话与控制。数据集中的版本包括mac测试版、Windows正式版及测试版，并提供了适配不同硬件配置的本地模型（如35B和9B的GGUF文件），方便用户按需选择。此外，还包含配置文件、说明文档等，适用于希望自部署或二次开发AI助手的用户。
魔搭通用SFT数据集是MSAgent-Bench的一个子集，主要涵盖通用问答场景下的监督微调（SFT）数据。每条样本包含一个唯一标识符和对话内容，对话由system、user、assistant三种角色组成，system用于设定模型前置人设，user为用户的输入，assistant为模型的回复。该数据集适用于工具学习、API调用等任务场景，有助于提升模型在复杂交互中的表现。
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。
基于FST的中文ITN
已完整同步
这是一个基于OpenFST构建的中文逆文本规范化（ITN）模型，支持自定义转换规则，能够将口语化表达（如“二点五平方电线”）转换为标准文本形式。模型通过Python接口调用，方便集成到各类文本处理流程中。
该数据集包含约14.5万条价值观比较样本，每条样本由问题（prompt）、正例回复和负例回复组成，并标注了回复的类型（如“拒绝为主”或“风险回复”）。数据集可用于大模型安全与价值观对齐的相关研究，例如通过正例增强模型安全性、利用正反例训练奖励模型，或构造多项选择题来评估模型表现。数据采用JSONL格式，分为训练和测试两部分。
这个数据集是经过去重处理的大规模文本语料库，涵盖多种内容类型，包括结构化文本、纯文本、列式数据及二进制文件。数据以 Parquet、JSON 和 Markdown 等格式提供，适用于训练语言模型等自然语言处理任务。该数据集采用 Apache 2.0 许可证。
Chinese-medical-dialogue 是中文医疗对话资源，包含医疗领域问答或对话文本，适合用于医疗对话理解、检索和文本分类研究。
hy_mm_data_v0901 是一个大规模多格式资源包，当前镜像包含约 1,631 个文件、约 1.22 TB 数据，主要为 ZIP 压缩包及说明/元数据文件；使用前应按目录和压缩包检查具体内容与字段。
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。
该数据集包含2019年至2021年期间部分上市公司的年报，共11588个PDF文件，总大小约69GB。内容涵盖公司组织架构、员工结构、业务进展、财务数据、战略规划等丰富信息，可用于训练AI模型解读年报、进行深度金融分析。数据集旨在提升大模型在金融场景中的交互能力，适用于构建金融知识问答库、向量库等应用。
RoboMIND2.0-Agilex
已完整同步
RoboMIND2.0-Agilex 是一个以 Apache License 2.0 许可协议发布的数据集，包含 hdf5、txt 等多种格式的文件，适用于机器人相关领域的研究与应用。
匠数科技大模型SFT数据集是一个经过精心整理和严格审核的高质量中文及英文数据集，专为大型语言模型的监督微调（SFT）任务设计。该数据集汇总了众多开源数据，经过格式统一、清洗和内容安全筛查，最终包含超过12M条样本，并按任务类型划分为50个类别，每条样本均包含指令、输入、输出、历史对话等结构化字段，方便用户直接用于训练和评估。数据集覆盖广泛的中文任务，同时英文数据也经过单独整理，兼顾了跨语言翻译等场景，为SFT研究提供了安全、统一、易用的资源。
modelscope/mmlu
已完整同步
该数据集目前处于预发布阶段，采用 Apache License 2.0 许可协议。内容涵盖文本、二进制、结构化文本和归档等多种类型，以 Markdown、JSON、Python 脚本及 TAR 归档等格式提供。
该数据集是 RoboMIND2.0 框架下 Franka 机器人相关数据的第五部分，采用 Apache 2.0 许可证，包含 HDF5、文本文件等多种格式，适用于机器人操作与学习研究。
RoboMIND2.0-UR5
已完整同步
RoboMIND2.0-UR5 是面向 UR5 机械臂操作任务的数据分片，包含 HDF5 数据与文本说明，共 54,592 个文件、约 15.58 TB，适合运动规划、模仿学习和仿真研究。
这是一个约 11 万条中文推理与指令样本的数据集，包含问题、推理过程和最终回答，面向大语言模型监督微调与中文推理能力训练。