数据集
223 个数据集
热门分类：
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。
inclusionAI/Ring-2.5-1T
已完整同步
Ring-2.5-1T 是全球首个开源万亿参数思考模型，采用混合线性注意力架构。它在生成效率上通过高比例线性注意力机制，将超过32K token序列的内存访问开销降低10倍以上，生成吞吐量提升3倍多；在深度思考方面，借助密集奖励的RLVR训练，实现了IMO 2025和CMO 2025的金牌级推理水平；在长程任务执行上，经过大规模全异步智能体强化学习训练，可轻松适配Claude Code、OpenClaw等编程框架，支持复杂任务的长期自主执行。
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。
DeepAnalyze-8B 是一个面向自主数据科学领域的智能体大语言模型，能够无需人工干预自动完成数据准备、分析、建模、可视化和报告生成等一系列数据科学任务。它支持结构化数据（如数据库、CSV、Excel）、半结构化数据（如 JSON、XML、YAML）和非结构化数据（如 TXT、Markdown），并可生成分析师级的研究报告。该模型已完全开源，方便用户部署或扩展自己的数据分析助手。
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。
DeepSeek-R1-0528 是 DeepSeek R1 模型的一次小版本升级，重点提升了推理深度和推理能力。通过增加计算资源并引入算法优化，该模型在数学、编程、通用逻辑等多项基准测试中表现出色，整体性能已接近 O3 和 Gemini 2.5 Pro 等领先模型。例如，在 AIME 2025 测试中，准确率从之前版本的 70% 提升至 87.5%，平均每道题使用的推理 token 从 12K 增加到 23K，体现了更深的思考过程。此外，新版本还降低了幻觉率，增强了函数调用支持，并优化了 vibe coding 体验。模型最大生成长度为 64K tokens。
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。
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。
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。
OpenOrca是一个大规模英语数据集，专注于自然语言处理中的指令跟随与对话任务。它包含约100万条由GPT-4生成的完成数据和约320万条由GPT-3.5生成的完成数据，总计约420万条样本。该数据集基于FLAN Collection进行增强，旨在与Orca论文中描述的分布对齐，可用于训练和评估高性能语言模型。其覆盖的任务类型广泛，包括对话、问答、文本分类、摘要、文本生成等。数据集采用MIT许可协议开放，是NLP研究和开发的重要资源。
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。
该数据集包含多个股票代码的1分钟级别OHLCV（开盘价、最高价、最低价、收盘价、成交量）数据，所有时间戳均以UTC时区记录。数据集中有一个主要的训练集，以及众多以股票代码命名的独立分片，每个分片对应特定股票的历史行情。整体样本量较大，适合用于金融时间序列分析、量化交易策略回测等场景。
MNBVC 是一个大规模中文语料数据集，由社区持续整理和更新。它包含多个子集，覆盖学术论文、博客、书籍、企业年报、法律判决书、代码等多种文本类型，适用于文本生成、掩码语言建模等自然语言处理任务。数据集以高质量的中文互联网文本为主，旨在为研究和应用提供丰富的语料资源。
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。
GSM8K（Grade School Math 8K）是一个包含约8500道小学数学应用题的数据集。每个问题都需要2到8步的多步推理，仅涉及基本算术运算（加减乘除），解答以自然语言形式呈现，而非纯数学表达式。该数据集旨在测试语言模型在基础数学推理方面的能力，适合用于文本生成任务。