数据集
5 个数据集
热门分类：
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。
Ling-flash-2.0 是一款基于 MoE 架构的开源语言模型，总参数量达 100B，但每次推理仅激活约 6.1B 参数（非嵌入部分 4.8B），实现了高效计算与卓越性能的平衡。该模型在 20T+ tokens 的高质量数据上训练，并经过监督微调与多阶段强化学习优化，在复杂推理、数学、代码生成和前端开发等任务中表现出色，尤其以极小的激活参数达到了与 40B 稠密模型相当的水平。推理速度上，在 H20 硬件上可达 200+ tokens/s，并支持 128K 上下文长度，兼具高吞吐与长序列处理能力。
SmallThinker-21BA3B-Instruct 是一个面向本地部署的混合专家（MoE）语言模型，专为资源受限环境设计。它采用两级稀疏结构（细粒度 MoE 与稀疏前馈网络）和预注意力路由机制，有效降低计算需求并隐藏存储延迟。模型支持在普通 CPU 上以超过 20 tokens/s 的速度运行，内存占用仅约 8GB（Q4_0 量化）。在 MMLU、GPQA、MATH-500 等多项基准测试中，该模型取得了具有竞争力的性能，平均分达 76.26，超越了部分同规模及更大模型。
SmallThinker-4BA0.6B-Instruct 是一个专为本地部署设计的高效语言模型，采用两层稀疏结构（细粒度混合专家与稀疏前馈网络），在降低计算需求的同时保持模型能力。该模型还引入了预注意力路由器和 NoPE-RoPE 混合稀疏注意力机制，以优化存储 I/O 和内存效率，在普通消费级 CPU 上即可实现每秒超过 20 个 token 的生成速度，内存占用仅约 1GB。模型主要面向英文文本生成任务，在多项基准测试中表现优于同规模的其他模型。
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。