数据集
9 个数据集
热门分类：
FSMN语音端点检测-中文-通用-16k
已完整同步
FSMN语音端点检测模型是一个中文通用的VAD模型，支持16kHz采样率。它能够准确检测长语音片段中有效语音的起止时间点，基于FSMN结构，在20,000小时工业级普通话数据上训练。该模型可与ASR模型组合使用，提升语音识别效率。
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。
这是一个中文通用语音识别模型，采用非自回归架构，支持对长达数小时的音频进行离线识别。模型集成了语音活动检测（VAD）、语音识别、标点恢复和时间戳输出功能，能够直接生成带标点的文字结果。在多个中文公开数据集上取得了领先的识别效果，可用于语音输入、会议纪要、语音导航等场景。
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。
这是一个用于自我认知微调的数据集，包含108条中英文对话样本。每条样本都通过可替换的占位符（如模型名称和作者）设计，方便用户自定义和生成专属大模型的自我认知数据。
这是一个从ShareGPT对话中精选的英文对话数据集，经过严格清洗得到约5.3万条高质量样本。清洗过程移除了非英语内容、大量重复字符，并过滤掉了包含常见“AI道德说教”短语的对话，旨在减少模型训练中的安全拒绝倾向。数据集提供两个版本，其中一个额外去掉了含有“I'm sorry, but”的实例，使用者可根据需求选择。适合用于训练开放、少限制的对话模型。
sarosavo/Master-RM
已完整同步
这是一个用于训练鲁棒生成式奖励模型（Master-RM）的合成数据集，包含约18万条训练样本。每条样本由问题、回答和二元偏好标签组成，适用于监督微调、偏好优化等任务。数据集特别针对生成式奖励模型容易被表面操作（如无意义符号或推理开头）欺骗的漏洞进行了增强，通过额外添加2万个负例样本，帮助模型提升抵抗这类攻击的鲁棒性。
该数据集包含约50万条数据科学指令，用于训练能够自主完成数据科学任务的大语言模型。内容覆盖数据准备、分析、建模、可视化和报告生成等完整流程，支持对结构化、半结构化和非结构化数据的研究分析。
VitaBench是一个用于评估大语言模型代理能力的基准测试，基于真实生活服务场景构建，涵盖外卖、到店消费和在线旅游等领域。该基准集成了66种工具，包含100个跨场景任务和300个单场景任务，要求代理在多轮对话中理解模糊指令、追踪用户意图并灵活调用工具。评估显示，当前最先进的模型在跨场景任务上仅能达到32.5%的成功率，凸显了该基准在推动实用化AI代理发展方面的价值。