数据集
62 个数据集
热门分类：
OmniThoughtV 是一个大规模多模态长链推理数据集，包含约 180 万条样本。数据集通过蒸馏技术构建，将图像与思维链推理过程相结合，样本格式包含系统提示、用户问题以及助手的逐步推理和最终答案，图像以 base64 编码字符串存储。使用该数据集微调模型，能够有效提升模型在视觉理解和推理任务上的表现，尤其在推理密集型基准上效果显著。
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。
这个数据集是经过去重处理的大规模文本语料库，涵盖多种内容类型，包括结构化文本、纯文本、列式数据及二进制文件。数据以 Parquet、JSON 和 Markdown 等格式提供，适用于训练语言模型等自然语言处理任务。该数据集采用 Apache 2.0 许可证。
这个数据集专为 LaTeX 光学字符识别（OCR）任务设计，包含图像到文本的配对样本。它提供了多种子集：一个约 100K 样本的印刷体完整数据集，一个同样规模的手写体合成数据集，以及一个较小但更贴近真实手写场景的数据集。此外，还有一个小规模测试集（110 条）和基于真实手写公式渲染的印刷体版本。每个子集都划分为训练、验证和测试三部分，方便模型训练与评估。
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。
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。
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。
该数据集是一个面向机器人操作任务的倒茶数据集，使用兼容LeRobot的扩展格式。机器人类型为 realman_rmc_aidal，配备两指夹爪，在家庭和餐厅场景中采集。数据包含抓取、放置、拾取和倒水四种原子动作，总共有790个演示片段、约55万帧，以及3个视角的同步视频。每个任务都提供了细粒度的子任务分割、场景描述、末端执行器运动方向与速度标注、夹爪状态等丰富注释，适合用于机器人模仿学习与操作技能研究。
该数据集是一个用于机器人操作任务的数据集，专注于将短裤进行折叠。数据由Realman RMC-AIDA-L机器人配合两指夹爪采集，在家庭场景中完成。数据集包含抓取、拾取、折叠、放置等基本原子动作，共计866个演示片段，约73万帧，覆盖4个主要任务和29个细分子任务。数据格式兼容LeRobot，并提供中英文标注。
该数据集是一个面向机器人操作的仿真数据集，基于LeRobot格式扩展，兼容LeRobot工具链。数据使用RealMan RMC-AIDA-L机器人，配备两指夹爪，在厨房场景中执行反复将水果放入碗中再倒出的操作任务。具体任务包括将面包、蛋黄酥、橙子、桃子分别放入蓝色或粉色碗中并重复倒出，共包含8个主要任务和17个细分子任务。数据集共481个演示片段，约54万帧，帧率30fps，总大小3.7GB，并配有3个相机视角的RGB视频。标注信息丰富，包括子任务分割、场景描述、末端执行器的运动方向、速度和加速度分类等，支持多种机器人学习方法。数据集使用Apache-2.0许可证，语言为英文和中文。
这个数据集包含机器人操作演示，使用Realman RM-C AIDAL机械臂与两指夹爪，在家庭和厨房场景中执行抓取、拾取和放置等动作。具体任务涉及用左右夹爪将篮子移至合适位置，再将长条面包放入篮中。数据集共753个回合，约3.9GB，采用LeRobot兼容格式。
该数据集是一个基于LeRobot格式的机器人操作数据集，专注于将眼镜放入眼镜盒的任务。数据包含990个演示片段，共约86万帧，覆盖4种具体任务（如将黑色眼镜放入黑色或绿色眼镜盒）。机器人型号为realman_rmc_aidal，末端采用两指夹爪，场景为家庭环境。原子动作包括抓取、拾取、折叠、关闭和放置等。数据集提供3个相机视角，并带有丰富的标注，包括子任务分割、场景描述以及末端执行器的方向、速度、加速度等信息。
这个数据集包含727个机器人操作演示片段，总时长约30万帧，数据量3.5GB。机器人型号为RealMan RMC-AIDAL，末端执行器为二指夹爪。场景涵盖家庭和厨房环境，涉及抓取、拿起、放置三类基础动作。任务描述围绕左右夹爪配合完成：将篮子水平放置于桌面中央，再将蛋黄酥放入篮子中。数据集包含4个主要任务和18个子任务，提供3个视角的视频记录，适合用于机器人操作学习研究。
这是一个用于机器人操作任务的数据集，包含687个完整记录片段，总计约18万帧图像，数据量3.4GB。数据集聚焦于让协作机器人完成水果沙拉制作中的基本操作，主要任务包括将苹果、香蕉、葡萄、柠檬和芒果放入黑色篮子中，并细分为25个具体子任务，涉及左右夹爪的抓取、拾取和放置动作。所有数据在家庭和厨房场景中采集，使用二指夹爪，并配有3个摄像头视角。数据集提供了丰富的标注信息，如子任务分段、场景描述以及末端执行器运动方向等，格式与LeRobot框架兼容，便于直接用于机器人学习研究。
这个数据集是一个用于机器人操作任务的仿真数据集，基于 LeRobot 格式扩展，完全兼容该生态。数据由 Realman RMC-AIDAL 机器人使用两指夹爪在家庭和厨房场景中采集，包含抓取、拾取和放置等原子动作。总共有 521 个 episode、约 29 万帧、2.6GB 数据量，覆盖 3 个相机视角和 16 个细分子任务（如“左手夹爪抓住香蕉”“右手夹爪将葡萄放入紫色盘子”等）。标注信息丰富，包括子任务分割、场景描述，以及末端执行器的方向、速度、加速度和夹爪开合状态，适合用于模仿学习或多任务机器人策略训练。