数据集
6 个数据集
热门分类：
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。
CoreCognition 是一个面向多模态大语言模型的核心知识基准数据集，源于发展认知科学中的12项基本能力。它包含1,423个多模态样本和80个概念挑战问题，涉及对象持久性、空间推理、计数等人类直觉中固有的核心能力，旨在评估模型在基础认知任务上的表现。
LIFEBench是一个专门用于评估大语言模型遵循长度指令能力的综合基准数据集。它包含英文和中文两种语言，覆盖问答、摘要、文本生成等多种任务，长度约束范围从16个单词到8192个单词不等。数据集提供了多个子集（如主集、标签集、精简集和重构集），方便不同场景下的评估。通过分析多个主流模型，该数据集发现大多数模型在短长度指令上表现良好，但超过一定长度后性能急剧下降，揭示了当前大语言模型在长度遵循方面的根本性局限。
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。
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。