数据集
223 个数据集
热门分类：
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。
中文大规模多任务语言理解数据集
已完整同步
CMMLU 是中文大规模多任务语言理解评测集，覆盖多个知识学科和任务类别，通过中文多项选择题评估模型的知识与理解能力。
RoboMIND2.0-Franka-Part-2 是 Franka 机械臂操作数据分片，包含 HDF5 二进制数据与文本说明，共 22,047 个文件、约 9.81 TB，适合操作技能学习与行为仿真。
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。
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。
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。
RoboMIND2.0-Ark
已完整同步
RoboMIND2.0-Ark 是机器人操作数据分片，包含 HDF5 数据与文本说明，共 14,913 个文件、约 10.45 TB，适合机器人运动规划、仿真和感知研究。
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。
FSMN语音端点检测（VAD）模型专为中文通用场景设计，支持16kHz采样率的音频输入。该模型基于FSMN架构，已导出为ONNX量化格式，便于在生产环境中直接部署，实现高效的语音活性检测。它能够准确判断音频中语音段的起止位置，适用于实时或离线语音识别等任务。
Qwen3-30B-A3B-Thinking-2507 是一个基于 Transformer 的因果语言模型，采用混合专家（MoE）架构，总参数量为 30.5B，每次推理仅激活 3.3B 参数。它原生支持高达 262K 的上下文长度，在逻辑推理、数学、科学、编程等复杂推理任务上表现显著提升，同时指令遵循、工具使用、文本生成等通用能力也有明显增强。该模型默认开启深度思考模式，特别适合处理高复杂度的推理场景。
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。
Anthropic/hh-rlhf
已完整同步
HH-RLHF数据集包含两类数据：一类是人类偏好数据，用于训练偏好或奖励模型，以支持基于人类反馈的强化学习（RLHF），重点关注助手的帮助性和无害性；另一类是红队测试对话数据，记录了人类与AI的对抗性对话，并附有对对话危害性的标注。这些数据仅供研究使用，不适用于直接训练对话代理，因为可能引发有害行为。数据中可能包含冒犯性或令人不适的内容。
BAAI/bge-small-en-v1.5
已完整同步
这是一个轻量级的英文句子嵌入模型，属于bge系列，能够将文本转换为向量表示，适用于特征提取、句子相似度计算和语义搜索等任务。它在多个自然语言处理基准测试中表现出色，涵盖分类、检索、聚类、重排序和语义文本相似度等场景，兼顾了效率与性能。
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。
czxxkj/DL3DV-ALL-960P
已完整同步
DL3DV-ALL-960P 是一个包含大量 960P 分辨率图像及其对应相机位姿的数据集，主要用于 3D 视觉领域的研究，如神经辐射场（NeRF）、3D 高斯泼溅、新视角合成以及文本/图像到 3D 的生成等任务。该数据集规模庞大，超过 1TB，覆盖了丰富的真实场景，为 3D 场景理解与重建提供了高质量的训练和评估资源。
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。
BERT base uncased是一个基于Transformer架构的预训练语言模型，通过掩码语言建模和下一句预测两个自监督任务，在大规模英文语料上学习到了丰富的语言表示。该模型不区分大小写，拥有约1.1亿参数，适用于多种自然语言处理下游任务的微调，如文本分类、问答和命名实体识别等。