数据集
53 个数据集
热门分类：
Tongyi-MAI/Z-Image-Turbo
已完整同步
Z-Image-Turbo 是一个高效的图像生成模型，基于单流扩散 Transformer 架构，拥有 6B 参数。它通过蒸馏技术实现了仅需 8 步评估即可生成高质量图像，推理延迟可低至亚秒级，并能在 16G 显存的消费级设备上运行。该模型擅长生成逼真的图像，支持中英文双语文本渲染，且具备良好的指令跟随能力。此外，该系列还包括 Z-Image 基础模型、支持生成与编辑的 Z-Image-Omni-Base 以及专注于图像编辑的 Z-Image-Edit 等变体，覆盖了从高质量生成到精细编辑的多种场景。
openbmb/VoxCPM1.5
已完整同步
VoxCPM1.5 是一个无需分词器的文本转语音（TTS）系统，能够生成上下文感知、富有表现力的语音，并实现逼真的零样本声音克隆。该模型基于 MiniCPM4-0.5B，采用扩散自回归架构直接生成连续语音表示，在 180 万小时双语语料上训练。相比前代版本，它支持 44.1kHz 高采样率输出，提高了音质，同时将 token 率降至 6.25Hz，提升效率。支持流式合成，实时因子低至 0.17，并可通过 SFT 或 LoRA 进行微调，适配个性化语音模型。
deepseek-ai/Janus-Pro-7B
已完整同步
Janus-Pro 是一个统一的多模态理解与生成框架，通过解耦视觉编码路径，在保持单一统一 Transformer 架构的同时，缓解了视觉编码器在理解与生成任务中的冲突，提升了灵活性与性能。该模型基于 DeepSeek-LLM 构建，在理解任务中使用 SigLIP-L 视觉编码器（支持 384×384 图像输入），图像生成则采用下采样率为 16 的 tokenizer，在多项任务上达到或超越了专用模型的水平。
Wan-AI/Wan2.2-S2V-14B
已完整同步
Wan2.2-S2V-14B 是一个音频驱动的电影级视频生成模型，能够根据输入音频生成具有丰富表现力的角色动画。它专注于处理复杂场景，如人物互动、自然身体动作和动态镜头运动，适用于影视制作等高品质需求。模型采用混合专家（MoE）架构，在保持计算效率的同时扩大了模型容量，并经过精心筛选的审美数据训练，可生成具有可控光影、构图和色彩风格的电影感视频。
IWR-Bench 是一个专门用于评估多模态大语言模型（LVLMs）从用户交互视频中重建交互式网页能力的基准数据集。它包含近千条样本，每条样本带有详细的元信息，如交互复杂度、视觉复杂度、领域与子领域分类、录屏环境、动作序列（包括类型、参数、视觉评估标志等）以及对应的视频路径。该数据集主要面向视频理解与视觉问答任务，能够有效检验模型在理解用户操作意图并生成对应代码或结构化描述方面的表现。
GSM8K-V 是一个纯视觉的多图像数学推理基准，旨在将传统文本数学应用题转化为视觉形式。它包含 1,319 个高质量的多场景问题（共 5,343 张图像），覆盖了从现实场景中提取的数学推理任务。该基准可用于评估视觉语言模型在理解图像、跨图像推理以及解决算术问题方面的能力。评测结果表明，即使是当前最强的模型，在视觉数学推理上也与文本任务存在显著差距，凸显了该领域仍有很大的提升空间。
Skywork/Matrix-Game
已完整同步
Matrix-Game是一个大规模Minecraft数据集，包含细粒度的键盘和鼠标动作标注，专为训练交互式、物理基础的世界模型而设计。该数据集可配合17B参数的扩散模型，用于生成高质量、可控的游戏世界视频，并支持对场景演化进行精细控制。
EduBench是一个面向教育场景的综合性评估基准数据集，专门用于衡量大语言模型在多样化教学任务中的表现。它覆盖了学生和教师两大视角，共包含十个子任务，如问答、纠错、情感支持、自动出题、评分与教案生成等。数据以JSONL格式提供，每条记录包含任务元信息、输入提示词，以及多个主流大模型的预测结果，便于研究者进行对比分析。
LongCat-Video-Avatar 是一个统一的模型，能够根据音频驱动生成富有表现力和高度动态的角色动画。它支持多种生成模式，包括音频-文本生成视频、音频-文本-图像生成视频，以及视频延续，并且兼容单流和多流音频输入。该模型通过解耦无条件引导实现自然的人体动态，采用参考跳跃注意力避免内容重复，并利用跨块潜在拼接减少长序列中的像素退化。
OmniThoughtV是一个大规模多模态长思维链数据集，经过精心筛选后包含约50万条高质量样本。该数据集专注于提升模型的逐步推理能力，在视觉问答、数学推理等复杂任务上表现突出。通过微调，可以显著增强小模型的推理性能，使其在多个视觉理解与推理基准上取得更好的效果。
cloudcatcher2/VCBench
已完整同步
VCBench 是一个标准化的视觉语言模型评估框架，专注于数学领域的问答任务。该数据集提供了标准评估和 GPT 辅助评估两种方式，帮助用户衡量模型在单选题和自然语言回答上的表现。评估脚本会输出整体准确率以及按问题类型细分的准确率，方便用户深入分析模型能力。
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。
Skywork/Matrix-Game-2.0
已完整同步
Matrix-Game-2.0 是一个开源的实时交互式世界模型，基于扩散架构实现高效的流式视频生成。它能够以 25 FPS 的速度实时合成分钟级的高保真视频，并支持通过鼠标和键盘精确控制画面内容，实现帧级别的动态响应。该模型从视觉内容和用户动作直接预测后续帧，无需文本输入，在多种复杂场景下均表现出色。
VeriWeb 是面向智能体信息检索的可验证长链网页任务基准，用于评估智能体在网页环境中的搜索、证据获取和结果验证能力。
DeepSeek-V3.2 是一个在高效推理与智能代理能力上取得显著进展的模型。它通过三项关键技术突破实现了高性能：新型稀疏注意力机制（DSA）大幅降低长上下文场景的计算复杂度；可扩展的强化学习框架使其在竞赛推理任务中达到甚至超越 GPT-5，其中高算力变体 DeepSeek-V3.2-Speciale 在性能上超越 GPT-5，并与 Gemini-3.0-Pro 持平；大规模代理任务合成管道则让模型在工具使用场景中更好地融合推理能力，提升复杂交互环境下的泛化与合规性。该模型在 2025 年国际数学奥林匹克（IMO）和国际信息学奥林匹克（IOI）中均获得金牌级表现。
BAAI/BGE-VL-v1.5-zs
已完整同步
BGE-VL是一系列面向通用多模态检索的嵌入模型，包括基于CLIP的base和large版本，以及融合多模态大语言模型的MLLM版本。这些模型借助MegaPairs数据集进行训练——该数据集通过创新的合成方法，利用开放域图像生成了超过2600万条异构KNN三元组，显著提升了多模态检索的性能。在组合图像检索等任务中，BGE-VL-MLLM模型相比此前最优方法取得了8.1%的改进。
BAAI/BGE-VL-Screenshot
已完整同步
BAAI/BGE-VL-Screenshot 是一个面向视觉化信息检索（VisIR）的模型，能将文本、图像、表格、图表等多模态信息统一表示为截图形式，实现跨模态检索。它基于 Qwen2.5-VL-3B-Instruct 构建，采用 sentence-transformers 框架，支持中英文等多种语言，并配套了大规模截图数据集 VIRA 和综合评测基准 MVRB，旨在提升检索模型在处理多模态信息时的表现。
Kwai-Keye/Keye-VL-1_5-8B
已完整同步
Kwai Keye-VL-1.5 是一款前沿的多模态大语言模型，专注于视频理解与推理。它采用了创新的“慢-快”视频编码策略，通过渐进式四阶段预训练方法将上下文长度扩展至128K tokens，并设计了全面的后训练流程，以增强推理能力和对齐人类偏好。该模型在视频理解任务上表现出显著提升，同时在其他多模态基准测试中保持竞争力。
Fun-CosyVoice 3.0 是一个基于大语言模型的先进文本转语音（TTS）系统，在内容一致性、说话人相似度和韵律自然度上均超越前代。它支持9种常见语言（中、英、日、韩、德、西、法、意、俄）以及18种以上中文方言/口音，同时具备跨语言零样本语音克隆能力。系统还提供发音修复、文本标准化、低延迟流式输出和指令控制（如语言、情感、语速、音量）等实用功能，适合生产环境使用。
Nanbeige/Nanbeige4.1-3B
已完整同步
Nanbeige4.1-3B 是基于 Nanbeige4-3B-Base 构建的轻量级推理模型，通过监督微调与强化学习进一步优化，在保持小参数规模的同时展现出强大的推理能力、偏好对齐效果和智能体行为。它能够通过单次前向传播完成复杂多步推理，并在代码、数学、科学等多项基准测试中超越同规模及部分更大模型。此外，Nanbeige4.1-3B 原生支持深度搜索任务，可稳定执行超过 500 轮工具调用，填补了小型模型在通用推理与智能体场景中兼顾不足的空白。