数据集
50 个数据集
热门分类：
这个数据集聚焦于青少年心理健康与社交媒体使用之间的关系，包含1200名13至19岁青少年的行为与心理指标。数据涵盖社交媒体使用时长、首选平台、睡眠时长、身体活动水平、学业表现、压力与焦虑程度，以及抑郁状态标签。通过分析这些变量，可以观察到睡眠不足、过度使用社交媒体、高压力焦虑与抑郁倾向之间的关联，同时身体活动似乎对心理健康具有一定保护作用。该数据集适用于探索影响青少年心理健康的多种因素，支持分类、回归或相关性分析等任务。
这个数据集收录了2026年世界杯期间球员的详细表现数据，涵盖个人属性、比赛参与记录、进攻与防守统计、传球与射门指标、门将数据、纪律情况以及体能表现等。无论是用于构建球员评分模型、分析比赛走势，还是进行战术评估与可视化展示，都能提供丰富的分析基础。适合体育数据分析、机器学习和足球研究等多种场景。
rs-accept http file
已完整同步
该数据集包含用于接受测试的HTTP文件，数据格式为二进制，不可直接读取。内容涉及HTTP文件传输的验证场景。
Bill13579/beltout
已完整同步
BeltOut 是一个基于 ChatterboxVC 的零样本语音到语音音色迁移模型，能够在不改变原始表演细节（如语调、情感）的前提下，仅替换音色（timbre）。它通过 192 维的 x-vector 表示任意音色，可应用于任意输入语音，实现精准的音色转换。该模型旨在学习音色对表演传递的通用影响，从而生成与目标音色一致的完整语音输出。
Kimi-Audio-7B-Instruct 是一个开源音频基础模型，统一处理音频理解、生成与对话任务。支持语音识别、音频问答、描述、情感识别、事件分类及端到端语音对话，基于大规模多模态预训练与混合音频输入架构，实现高效推理与流式音频生成。适用于语音交互、音频内容分析等场景。
microsoft/VibeVoice-1.5B
已完整同步
VibeVoice是一款面向多说话人、长篇幅对话音频生成的开源文本转语音模型，支持英文和中文。它采用创新的连续语音分词器（声学和语义），以超低帧率（7.5Hz）高效保留音频质量，并结合大语言模型与扩散解码器，能够从文本直接合成最长90分钟、包含最多4个不同说话人的自然对话音频（如播客）。该模型基于Qwen2.5-1.5B架构，通过课程学习策略逐步扩展上下文长度至65,536个token，在保持说话人一致性和流畅对话轮换方面表现出色。
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。
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。
GLM-4.1V-9B-Thinking 是一个面向推理增强的开源视觉语言模型，基于 GLM-4-9B-0414 构建，通过引入“思考范式”与强化学习显著提升了复杂任务的准确性与完整性。该模型在 10B 参数级别的视觉语言模型中达到领先水平，在 18 项基准测试上甚至超越 72B 参数的 Qwen-2.5-VL-72B。它支持长达 64k 的上下文、任意宽高比及最高 4K 图像分辨率，并具备中英双语能力，适用于数学推理、长上下文理解及多模态智能体等应用场景。
UNO-Bench是一个统一的全模态模型基准测试，旨在评估单模态与全模态（视觉、音频、语言）的理解能力。它包含44种任务类型和5种模态组合，共1250个人工标注的全模态样本和2480个增强的单模态样本。该数据集特别适合中文真实场景，支持多选和创新的多步开放式问题，并借助通用评分模型实现高效自动评估。通过该基准，可以揭示全模态能力在弱模型上的瓶颈效应与强模型上的协同促进规律。
这是一个包含约9万张合成数字签名图片的数据集，涵盖了30种手写与签名风格的字体。每种字体提供3000张签名样本，图片格式统一为PNG。数据集可用于训练和评估数字签名检测、字体识别以及文档验证等计算机视觉任务，特别适用于识别那些通过键盘输入、模仿真实手写签名的“打字数字签名”。
MMLU 是英文多任务语言理解评测集，覆盖抽象代数、法律、医学、计算机科学等多个学科，以多项选择题评估模型的知识与推理能力。
wormtooth/MNBVC-judgment
已完整同步
MNBVC-judgment 是中文裁判文书语料，采用 MNBVC 通用数据格式并以压缩文件提供，适合用于法律文本处理与中文语言模型研究。
zai-org/GLM-TTS
已完整同步
GLM-TTS 是一个基于大语言模型的高质量文本转语音合成系统，支持零样本语音克隆与流式推理。它采用两阶段架构：先由 LLM 将输入文本转换为语音 token 序列，再通过 Flow Matching 模型生成高质量波形。系统引入了多奖励强化学习框架（GRPO），显著提升语音的表现力，实现更自然的情绪控制。关键特性包括仅需 3-10 秒音频即可克隆任意说话人声音、RL 增强的情感表达、音素级精确发音控制、支持中英双语混合文本，以及实时流式生成。
该数据集包含用于文本分类的评分标准（rubrics），覆盖健康、通用和金融三个领域。其中健康与通用领域各有5000条训练提示及对应评分标准，并额外提供1000条提示用于端到端胜率对比；金融领域提供1145条训练提示及评分标准。数据以JSONL格式存储，可用于基于评分标准的强化学习奖励建模。
该数据集是一个专门用于评估AI模型在临床场景中表现的医学数据集，聚焦于胸外科领域的非小细胞肺癌（NSCLC）分期与治疗规划。它包含92个精心设计的临床案例，覆盖术前评估、诊断流程、分期判断、治疗决策及风险分层等关键环节。数据集采用正负分相结合的多维度评分体系，从而对AI的临床决策能力进行量化评估。所有案例均经过多学科临床团队审核，确保专业性和准确性，可用于AI临床决策支持、医学教育及模型性能对比等场景。
ToxiMol 是一个专门用于分子毒性修复的基准数据集，包含 660 个具有代表性的有毒分子，覆盖多种毒性机制和不同粒度。它提供了 11 项主要的毒性修复任务，每个任务对应一个特定的毒性终点（如致突变性、致癌性、心脏毒性等）。数据集采用多模态输入，包括 SMILES 字符串和通过 RDKit 渲染的二维分子结构图像，旨在评估多模态大语言模型在结构层面进行分子去毒化时的能力。该基准适用于分类与回归任务，是药物发现和分子设计领域的重要资源。
OctoCodingBench 是一个专注于评估编码代理指令遵循能力的基准数据集。它包含 72 个精心设计的实例，每个实例都伴有任务描述、系统提示和总计 2422 个可客观判定的检查项。与仅关注任务完成度的传统基准不同，该数据集特别强调代理在解决代码任务过程中是否严格遵守系统约束、项目规范、工具使用协议等多源指令。通过多维度、二值化的检查清单，它能够有效区分任务成功与规则遵循之间的差异，为代理的可靠性和可控性评估提供了更全面的视角。
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。