数据集
21 个数据集
热门分类：
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。
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。
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。
PaddleOCR-VL_demo 是 OCR 与视觉语言模型演示资源，包含图像文件及配套说明，用于展示文档文字识别和视觉理解流程。
这是一个涵盖美食、城市、企业家、汽车、明星八卦、生活常识、日常对话等丰富话题的中文对话数据集，包含约27万条精选对话。数据集特意加入了语义等价但表达形式多样的问答对，旨在帮助模型理解自然语言的多态性，提升泛化能力。适用于构建聊天机器人、学习seq2seq或Transformer模型等任务。
这是RoboMIND2.0数据集中的Franka机器人部分第四部分，包含HDF5、文本等多种格式的文件，适用于机器人学习相关任务。该数据集采用Apache License 2.0许可协议。
funasr-demo
已完整同步
funasr-demo 是语音识别演示/测试资源，包含 WAV 音频、SCP/TXT/JSON 标注和说明文件，共 37 个文件、约 5.1 MB，适合 ASR 流程验证。
这是一个中文多轮共情对话数据集，包含约25.8万条对话，共计151万轮交互。对话围绕心理支持、情感倾听与安慰等主题展开，采用多轮对话格式，每条数据包含用户和助手的多轮交流。该数据集旨在提升语言模型的共情、倾听与安慰能力，适用于情感对话相关的研究与训练。
这是一个为训练Llama3中文模型而整合的多源指令微调数据集。它融合了英文通用指令、中文知乎问答、ShareGPT对话、中文常识任务、成语、诗词、逻辑推理、小红书风格文本等多种数据，并统一处理为firefly格式，便于直接训练。数据集包含约169万条清洗后的问答对，支持按需选择子集或合并使用，适合用于提升模型的中文理解和生成能力。
A1233213sswss/rvcmax
已完整同步
A1233213sswss/rvcmax 是 RVC 音色/语音模型资源包，按编号目录提供 WebP 预览图、Yuan 模型文件和 config.json，当前镜像约 1,389 个文件、25.7 GB。
czxxkj/DL3DV-ALL-960P
已完整同步
DL3DV-ALL-960P 是一个包含大量 960P 分辨率图像及其对应相机位姿的数据集，主要用于 3D 视觉领域的研究，如神经辐射场（NeRF）、3D 高斯泼溅、新视角合成以及文本/图像到 3D 的生成等任务。该数据集规模庞大，超过 1TB，覆盖了丰富的真实场景，为 3D 场景理解与重建提供了高质量的训练和评估资源。
这是一个包含训练图像的数据集，主要提供常见图片格式（如jpg、png、jpeg、webp）的文件，并附带一些元数据文件（如json、md），适用于图像处理或机器学习相关任务。
该数据集主要用于LaTeX OCR（光学字符识别）测试，包含图片（PNG格式）以及对应的标注文件（JSON、JSONL等），可用于训练或评估将LaTeX公式图像转换为可编辑文本的模型。
该数据集为SA-1B中的约863万张图片提供了高质量、详细的长文本中文描述。每张图片的描述包含整体场景概括和局部重要元素的细节说明，结构清晰，适合用于多模态模型训练、图像描述生成等任务。数据以Parquet格式组织，方便直接使用。
RoboMIND2.0-Agilex-mobile 是移动操作机器人数据分片，包含 HDF5 数据与文本说明，共 13,952 个文件、约 10.23 TB，面向移动机器人学习与操作研究。
该数据集专为心理健康领域设计，包含10,000条中文高质量样本。每条数据由用户输入、推理思维链和最终输出三部分组成，适用于心理咨询、情感分析、多轮对话等任务。数据集通过先进的推理模型生成，显著增强了模型在心理学相关任务中的推理能力和生成质量。
这是一个专为Qwen3模型微调设计的高质量数据集，包含两个子集：FineTome-100k（10万条指令遵循数据）和OpenMathReasoning-mini（约1.9万条数学推理数据），采用对话格式，覆盖广泛的知识与推理任务，有助于提升大语言模型的推理能力与知识密集型任务表现。数据集采用Apache 2.0许可证开放使用。