数据集
223 个数据集
热门分类：
RoboMIND2.0-Franka-Part-1 是 Franka 机械臂操作数据分片，包含 HDF5 数据与文本说明，共 18,684 个文件、约 9.57 TB，适合机器人行为学习与控制研究。
RoboMIND2.0-Franka-Part-3 是一个面向机器人操作任务的数据集，以 HDF5 和文本格式存储数据文件，包含二进制与文本内容，采用 Apache License 2.0 许可。
IndustryCorpus2 是一个覆盖 30 余个行业类别的高质量预训练数据集，包含中文约 1TB、英文约 2.2TB 的文本数据。数据经过规则与模型双重语义质量筛选，并根据质量评估分数划分为高、中、低三个层级，以适配不同场景的模型训练需求。行业分类结合了国民经济行业分类与世界知识体系，涵盖编程、生物医药、法律、金融、数学统计、交通运输、航空航天、制造业等主流领域，旨在为行业大模型提供专业、大规模且高质量的训练语料。
zai-org/GLM-4.7
已完整同步
GLM-4.7是一个专注于编码和复杂推理的语言模型，支持英文和中文。相比前代，它在多语言代理编码、终端任务、工具使用和复杂推理方面均有显著提升，同时优化了UI生成质量，能够生成更精美、布局更准确的网页和幻灯片。
该数据集为SA-1B中的约863万张图片提供了高质量、详细的长文本中文描述。每张图片的描述包含整体场景概括和局部重要元素的细节说明，结构清晰，适合用于多模态模型训练、图像描述生成等任务。数据以Parquet格式组织，方便直接使用。
这是一个中文句子嵌入模型，基于CoSENT方法训练，能够将句子映射为768维的稠密向量，适用于语义相似度计算、文本匹配和语义搜索等任务。模型在多个中文语义评测数据集上取得了较好的表现。
modelscope/gsm8k
已完整同步
GSM8K 是小学数学文字题与解答资源，当前镜像包含 JSON、脚本和说明文件，适合数学推理训练样例、模型评测和教育研究。
RoboMIND2.0-Agilex-mobile 是移动操作机器人数据分片，包含 HDF5 数据与文本说明，共 13,952 个文件、约 10.23 TB，面向移动机器人学习与操作研究。
这是一个高质量的中文预训练语料数据集，专门面向教育领域，包含约9000万条经过严格筛选的文本，总数据量约300GB。该数据集采用类似Fineweb-Edu的构建方法：先利用评分模型评估样本的教育价值，再训练BERT模型对原始数据进行打分，仅保留评分高于4的数据，最后通过MinHash算法进行去重，确保内容质量高、多样性强且无冗余。它适用于中文自然语言处理中的文本生成等任务，尤其适合教育场景下的模型训练和微调。
这是一个中文诗词数据集，收录了从中国古代各朝代的诗词作品，可用于训练诗词续写模型。数据集包含约38.9万条训练样本和1710条测试样本，每条记录以“text1”字段存储一段完整的诗词内容。数据格式支持CSV、JSON和Markdown，便于不同场景下的使用。
这是一个中文Text2SQL训练数据集，包含500条训练样本和100条测试样本，可用于训练和评估表格问答预训练模型。数据集支持中文，覆盖通用领域，能够帮助模型理解自然语言问题并生成对应的SQL查询语句。
Qwen/Qwen3.5-4B
已完整同步
Qwen3.5-4B 是一个拥有 40 亿参数的多模态大语言模型，能够同时处理图像和文本输入。它采用高效的混合架构，结合了 Gated Delta Networks 与稀疏混合专家，在保持低延迟的同时实现高吞吐推理。该模型原生支持 26 万 token 的上下文长度，并可扩展至百万级，还覆盖了 201 种语言，具备广泛的语言和文化理解能力。通过大规模强化学习训练，它在推理、代码、代理任务和视觉理解等方面表现出色。
这是一个用于广告文案生成的中文数据集，基于商品网页的标签与文案信息对应关系构建。任务属于典型的开放式文本生成：给定商品的关键词和属性列表（key-value形式），模型需要生成与输入信息保持事实一致性的广告文案。数据集包含训练集约114k条、验证集1k条、测试集3k条，每条数据由商品属性列表（content）和对应广告文案（summary）组成。
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。
这是一个轻量级的猫狗二分类图像数据集，共包含两个类别。训练集有275张带标注的图片，验证集有70张，整个数据集大小约10.3MB。图片按类别分别存放在 `train` 和 `val` 文件夹下，格式为 JPG，并附带类别名称文件。由于数据量小，非常适合快速模型验证、性能评估或小规模训练实验。
该数据集专为心理健康领域设计，包含10,000条中文高质量样本。每条数据由用户输入、推理思维链和最终输出三部分组成，适用于心理咨询、情感分析、多轮对话等任务。数据集通过先进的推理模型生成，显著增强了模型在心理学相关任务中的推理能力和生成质量。
这是一个专为Qwen3模型微调设计的高质量数据集，包含两个子集：FineTome-100k（10万条指令遵循数据）和OpenMathReasoning-mini（约1.9万条数学推理数据），采用对话格式，覆盖广泛的知识与推理任务，有助于提升大语言模型的推理能力与知识密集型任务表现。数据集采用Apache 2.0许可证开放使用。
MMLU（大规模多任务语言理解）是一个涵盖57个学科的多选题数据集，用于评估语言模型在广泛知识领域的理解能力。数据集包含问题、四个选项和正确答案，覆盖从抽象代数、天文学到临床知识等众多领域，提供了测试集、验证集和开发集等划分。
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。
这是一个中文句子嵌入模型，能将句子映射到768维的稠密向量空间，适用于文本匹配、语义搜索等任务。它基于MacBERT架构，使用中文语义相似度数据训练，在多个中文文本匹配基准上均表现出不错的性能。