数据集
97 个数据集
热门分类：
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。
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。
这个数据集包含了100种不同水果的图像，可用于图像分类任务的训练、验证和性能评估。数据集分为训练集和验证集，图片按类别存放在对应的文件夹中，格式为JPG。同时提供类名文件，方便标注对应关系。
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。
MSAgent-Bench 是一个面向中文 Agent 场景的数据集，旨在提升开源大语言模型作为中枢，集成并调用多种 AI 模型能力。该数据集包含约 60 万条训练样本和对应的验证样本，涵盖 AI 模型 API、通用 API、与 API 无关的通用 SFT 数据以及 API 检索增强数据。数据格式为每行一个 JSON 样本，包含 `id` 和 `conversations` 字段，其中 `conversations` 由 `system`、`user` 和 `assistant` 三种角色组成，用于模拟模型在插件调用、工具学习和多轮对话中的交互行为。
MNN LLM APP 配置
已完整同步
MNN LLM APP 配置是 MNN 大模型应用配置资源，包含 JSON 配置、Markdown 说明和 Git 属性文件，共 3 个文件、约 4.5 KB，适合配置检查而非训练语料。
心理咨询师数字孪生对话数据集
已完整同步
该数据集包含多轮心理咨询对话，用于构建心理咨询师的数字孪生模型。数据基于少量真实咨询案例，通过大语言模型生成，保留了特定咨询师的语言风格与疗法技术，涵盖单轮与多轮对话。训练集约4760个对话，测试集约240个对话，总计超9万轮次，适合用于微调模型以模拟具有个性化咨询风格的心理健康助理。
Egocentric-10K 是目前规模最大的以自我为中心视角的数据集，也是首个完全在真实工厂环境中采集的数据。它包含超过 10,000 小时、约 10.8 亿帧的视频素材，共 192,900 个视频片段，中位时长为 180 秒。视频采用 H.265 编码的 1080p 分辨率，帧率 30 fps，由单目头戴摄像机拍摄，视野为 128° 水平、67° 垂直。数据以 WebDataset 格式存储，每个 tar 包中视频与 JSON 元数据成对出现，并提供基于 OpenCV 鱼眼模型的相机内参。该数据集覆盖 85 个工厂中的多名工人，在手部可见性和主动操作密集度方面达到了当前最优水平。
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。
该数据集面向商品文案描述生成任务，属于data-to-text类型，可用于训练模型将商品卖点关键词转化为完整的文案描述。包含3848条测试样本，每条样本由输入的商品卖点词（text1）和输出的文案描述（text2）组成，适合用于生成式文本建模。
AISHELL-1 trainsets 是中文语音识别训练资源，面向普通话语音转写和 ASR 模型训练，包含训练集相关索引、元数据或说明文件。
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。
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。
modelscope/gsm8k
已完整同步
GSM8K 是小学数学文字题与解答资源，当前镜像包含 JSON、脚本和说明文件，适合数学推理训练样例、模型评测和教育研究。
这是一个中文诗词数据集，收录了从中国古代各朝代的诗词作品，可用于训练诗词续写模型。数据集包含约38.9万条训练样本和1710条测试样本，每条记录以“text1”字段存储一段完整的诗词内容。数据格式支持CSV、JSON和Markdown，便于不同场景下的使用。
这是一个中文Text2SQL训练数据集，包含500条训练样本和100条测试样本，可用于训练和评估表格问答预训练模型。数据集支持中文，覆盖通用领域，能够帮助模型理解自然语言问题并生成对应的SQL查询语句。
这是一个用于广告文案生成的中文数据集，基于商品网页的标签与文案信息对应关系构建。任务属于典型的开放式文本生成：给定商品的关键词和属性列表（key-value形式），模型需要生成与输入信息保持事实一致性的广告文案。数据集包含训练集约114k条、验证集1k条、测试集3k条，每条数据由商品属性列表（content）和对应广告文案（summary）组成。
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。