数据集
71 个数据集
热门分类：
该数据集采用多种格式（bin、csv、jsonl）存储，内容涵盖模型、表格数据和结构化文本，且记录可读，便于灵活调用与分析。
这是一个名为“L3 tmp D1”的数据集，包含二进制、CSV 和 JSONL 三种格式，覆盖模型、表格和结构化文本三类内容。数据集中的记录可读，便于直接使用。
该数据集聚焦于机器人操作任务，包含在家庭场景中使用机械臂拾取纸板箱并放入纸箱的完整过程。数据涵盖402个操作片段、约18.8万帧，提供8个相机视角的视频及状态、动作数据。附有精细的子任务分割、场景描述、末端执行器方向和速度等注释，支持机器人学习与操作技能研究。
魔搭通用SFT数据集是MSAgent-Bench的一个子集，主要涵盖通用问答场景下的监督微调（SFT）数据。每条样本包含一个唯一标识符和对话内容，对话由system、user、assistant三种角色组成，system用于设定模型前置人设，user为用户的输入，assistant为模型的回复。该数据集适用于工具学习、API调用等任务场景，有助于提升模型在复杂交互中的表现。
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。
该数据集包含约14.5万条价值观比较样本，每条样本由问题（prompt）、正例回复和负例回复组成，并标注了回复的类型（如“拒绝为主”或“风险回复”）。数据集可用于大模型安全与价值观对齐的相关研究，例如通过正例增强模型安全性、利用正反例训练奖励模型，或构造多项选择题来评估模型表现。数据采用JSONL格式，分为训练和测试两部分。
该数据集包含2019年至2021年期间部分上市公司的年报，共11588个PDF文件，总大小约69GB。内容涵盖公司组织架构、员工结构、业务进展、财务数据、战略规划等丰富信息，可用于训练AI模型解读年报、进行深度金融分析。数据集旨在提升大模型在金融场景中的交互能力，适用于构建金融知识问答库、向量库等应用。
匠数科技大模型SFT数据集是一个经过精心整理和严格审核的高质量中文及英文数据集，专为大型语言模型的监督微调（SFT）任务设计。该数据集汇总了众多开源数据，经过格式统一、清洗和内容安全筛查，最终包含超过12M条样本，并按任务类型划分为50个类别，每条样本均包含指令、输入、输出、历史对话等结构化字段，方便用户直接用于训练和评估。数据集覆盖广泛的中文任务，同时英文数据也经过单独整理，兼顾了跨语言翻译等场景，为SFT研究提供了安全、统一、易用的资源。
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。
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。
Matrix 是面向大语言模型预训练的中英文大规模语料资源，包含多个来源和处理阶段，规模约为数万亿 token。
这是一个为训练Llama3中文模型而整合的多源指令微调数据集。它融合了英文通用指令、中文知乎问答、ShareGPT对话、中文常识任务、成语、诗词、逻辑推理、小红书风格文本等多种数据，并统一处理为firefly格式，便于直接训练。数据集包含约169万条清洗后的问答对，支持按需选择子集或合并使用，适合用于提升模型的中文理解和生成能力。
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。
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。
这是一个用于机器人食品包装任务的协作机器人数据集，基于LeRobot扩展格式。数据由配备两指夹爪的AgileX Cobot机器人采集，在厨房场景中执行抓取、拉、放置、拾取等原子动作。数据集包含798个演示片段，总帧数约147万，涵盖两个主要任务：将午餐盒、黄瓜和梨放入小包装袋，以及将午餐盒、香蕉和面包放入大包装袋，并进一步细分为49个子任务。数据以视频、parquet和JSONL等格式提供，支持中英文描述，适用于机器人模仿学习等研究。
这是一个面向机器人操作任务的精细动作数据集，包含648个完整演示片段，总帧数约36.6万，每秒30帧，数据量约4GB。数据集以试管放置为核心任务，涵盖抓取、放置、传递、移动等多种原子动作，并细分为12个子任务。场景覆盖学校与医院两类环境，配备3个相机视角，且提供了丰富的标注信息，包括子任务分割、场景描述、末端执行器的方向、速度、加速度以及夹爪状态等，适合用于机器人模仿学习、动作规划等研究。
这是一个基于 LeRobot 扩展格式的机器人操作数据集，包含 714 个片段（约 41 万帧），记录了在厨房和餐厅场景中，机器人使用两指夹爪完成“倒米”任务的操作过程。任务要求机器人用一只手将碗放至桌子中央，另一只手将米杯中的米倒入碗中，涉及抓取、拾取、放置和倒米等原子动作。数据集包含 3 个视角的视频，并提供了丰富的标注，如子任务分割、场景描述、末端执行器的运动方向/速度/加速度，以及夹爪开合状态等，便于用于机器人学习研究。
这是一个用于机器人操作的数据集，聚焦于“倒米”任务，包含740个演示片段，共计约50万帧，以30帧/秒的速率记录。机器人采用双臂构型，配备两个二指夹爪，在居家和厨房场景中执行抓取、放置、倾倒等原子动作。数据集提供了丰富的标注信息，包括子任务分割、场景描述、末端执行器的运动方向与速度、夹爪开合状态等，还包含3个相机视角的同步视频，可用于模仿学习、行为克隆等研究。