数据集
135 个数据集
热门分类：
OpenBuddy/R1-0528-Distill 是一个包含多种格式的数据集，主要采用 JSONL 格式，同时包含 Git 属性文件和 Markdown 文档。其内容涵盖结构化文本、纯文本以及二进制数据，适合用于语言模型的蒸馏训练或相关研究。
Mobile-R1 是一个面向移动端 GUI 代理的中文轨迹数据集，包含从用户指令到完整交互过程的记录。每个样本由应用名称、指令文本、系统提示和一系列操作步骤组成，步骤中保存了对应屏幕截图、模型推理、子任务描述以及具体的执行动作（如点击、滑动、输入、等待等），并标注了屏幕尺寸用于坐标对齐。该数据集可用于训练和评估多模态模型在真实手机界面上的任务理解与操作生成能力。
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。
Qwen/QwQ-32B
已完整同步
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。
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。
Spark-TTS 是一个基于大语言模型的高效文本转语音系统，专门用于生成自然、准确的语音。它完全构建在 Qwen2.5 之上，无需额外的流匹配等生成模型，而是直接通过 LLM 预测的代码重构音频，大幅简化了流程并提升了效率。系统支持中文和英文双语，具备零样本语音克隆能力，能够在不依赖特定训练数据的情况下复制说话人的声音，并实现跨语言和语码切换场景的无缝合成。此外，Spark-TTS 还支持可控语音生成，用户可以通过调整性别、音高、语速等参数来创建虚拟说话人，灵活性很强。
MedAIBase/AntAngelMed
已完整同步
AntAngelMed 是当前最大的开源医疗语言模型，由浙江省卫健委、蚂蚁集团及浙江省安诊儿医学人工智能科技有限公司联合研发。它在 OpenAI 的 HealthBench 和中文权威评测 MedAIBench 上均取得领先成绩，尤其在 Hard 子集上表现突出。该模型采用高效 MoE 架构，总参数 100B 但仅激活 6.1B，推理速度可达 200 tokens/s 以上，同时支持 128K 上下文长度。通过医学语料持续预训练、高质量指令微调及 GRPO 强化学习，模型具备了深入的医学知识、严谨的诊断推理能力以及良好的安全伦理遵循。
jetmoe/jetmoe-8b
已完整同步
JetMoE-8B 是一个高效的大语言模型，仅需极低的训练成本就能达到甚至超越 LLaMA2-7B 的性能。它在推理时只有 2.2B 活跃参数，大幅降低了计算开销，同时优于计算量相近的模型（如 Gemma-2B）。该模型完全基于公开数据集训练，代码开源，便于在普通消费级 GPU 上进行微调，适合学术研究场景。
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。
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。
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。
FineFineWeb 是一个大规模英文网页语料库，专注于细粒度领域的文本分类与生成。该数据集覆盖了航空航天、农学、艺术、计算机科学、经济学、健康、法律等数十个领域，总计超过1万亿 token。通过多次迭代处理，它提供了丰富的结构化文本，适用于文本分类、文本生成和文本到文本生成等多种自然语言处理任务。
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。
这是一个中文数据集，包含约11万条由DeepSeek-R1模型蒸馏得到的指令数据，涵盖数学、考试、STEM以及通用领域（如逻辑推理、社交问答等）。每条数据包含输入、思考过程、输出和评分字段，适用于文本生成、问答等任务的监督微调。数据集采用Apache-2.0许可。
这是一个为 OSWorld 项目提供评估文件缓存的数据集，包含大量用于多模态代理评测的各类文件，覆盖 Chrome、Firefox、GIMP、LibreOffice（Calc、Impress、Writer）、Thunderbird、VS Code 等多个应用场景。文件组织方式按应用分类，每个目录下再按具体评测场景细分，存放图片、文档、电子表格、演示文稿、媒体文件、数据集和配置文件等。该缓存旨在提升文件访问的可靠性和速度，确保评测资源稳定可用，支持直接通过文件路径或编程方式获取。