数据集
8 个数据集
热门分类：
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。
Fineweb-Edu-Chinese-V2.2
已完整同步
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。
deepseek-ai/Janus-Pro-7B
已完整同步
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。
xai-org/grok-1
已完整同步
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。
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。