数据集
142 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。
CAM++ 说话人确认模型基于密集连接时延神经网络，专为中文通用场景设计，在约 200k 说话人的大规模数据集上训练而成。该模型在说话人识别任务中兼顾高性能与高效率，相比主流模型（如 ResNet34、ECAPA-TDNN）在准确率与推理速度上均有优势，可广泛用于说话人确认、说话人日志、语音合成及说话人风格转换等场景。
FSMN语音端点检测-中文-通用-16k
已完整同步
FSMN语音端点检测模型是一个中文通用的VAD模型，支持16kHz采样率。它能够准确检测长语音片段中有效语音的起止时间点，基于FSMN结构，在20,000小时工业级普通话数据上训练。该模型可与ASR模型组合使用，提升语音识别效率。
yiliu666/xiaoduan
已完整同步
该数据集包含了小端AI助手的多个版本安装包、本地模型文件及相关资料。小端AI是一款运行在Windows和macOS上的智能助手，支持语音和文字交互，具备永久记忆、视频识别、图片识别、音频识别、自我进化等能力，并能接入QQ、飞书等平台实现语音对话与控制。数据集中的版本包括mac测试版、Windows正式版及测试版，并提供了适配不同硬件配置的本地模型（如35B和9B的GGUF文件），方便用户按需选择。此外，还包含配置文件、说明文档等，适用于希望自部署或二次开发AI助手的用户。
这个数据集是为虚拟试衣任务构建的，包含在VITON-HD、VITON和DressCode（上装部分）三个开源数据集图片上重新标注的语义关联关键点。每个数据集均由服饰平铺图片和人像图片组成，其中语义关联的关键点对将人像与服饰的局部语义对应起来。标注采用统一规则，适用于不同款式的服饰，确保相同序号的关键点在不同类型服饰上具有一致语义。每张图片标注了32个关键点，并附带可见、遮挡、不存在三种互斥属性，标注结果以pkl文件格式存储。
该数据集包含从2011年到2014年某电商平台的海量消费者行为数据，涵盖52万件商品、1100多个类目、142万用户及720万条评论与评分。每条评论均包含评论标题、评论内容以及1-5分的评分，可用于训练商品评论情感预测模型。数据集还提供了商品信息、商品类别列表等辅助文件，便于进行细粒度的分析与建模。
魔搭通用SFT数据集是MSAgent-Bench的一个子集，主要涵盖通用问答场景下的监督微调（SFT）数据。每条样本包含一个唯一标识符和对话内容，对话由system、user、assistant三种角色组成，system用于设定模型前置人设，user为用户的输入，assistant为模型的回复。该数据集适用于工具学习、API调用等任务场景，有助于提升模型在复杂交互中的表现。
这个数据集包含约11万条中文对话样本，每条数据由用户提问和模型回答组成，内容涵盖广泛的知识与推理场景。数据基于高性能大语言模型生成，旨在用于微调时作为通用数据集混合，帮助模型保持知识广度、避免遗忘。
基于FST的中文ITN
已完整同步
这是一个基于OpenFST构建的中文逆文本规范化（ITN）模型，支持自定义转换规则，能够将口语化表达（如“二点五平方电线”）转换为标准文本形式。模型通过Python接口调用，方便集成到各类文本处理流程中。
该数据集包含约14.5万条价值观比较样本，每条样本由问题（prompt）、正例回复和负例回复组成，并标注了回复的类型（如“拒绝为主”或“风险回复”）。数据集可用于大模型安全与价值观对齐的相关研究，例如通过正例增强模型安全性、利用正反例训练奖励模型，或构造多项选择题来评估模型表现。数据采用JSONL格式，分为训练和测试两部分。
该数据集包含2019年至2021年期间部分上市公司的年报，共11588个PDF文件，总大小约69GB。内容涵盖公司组织架构、员工结构、业务进展、财务数据、战略规划等丰富信息，可用于训练AI模型解读年报、进行深度金融分析。数据集旨在提升大模型在金融场景中的交互能力，适用于构建金融知识问答库、向量库等应用。
RoboMIND2.0-Agilex
已完整同步
RoboMIND2.0-Agilex 是一个以 Apache License 2.0 许可协议发布的数据集，包含 hdf5、txt 等多种格式的文件，适用于机器人相关领域的研究与应用。
匠数科技大模型SFT数据集是一个经过精心整理和严格审核的高质量中文及英文数据集，专为大型语言模型的监督微调（SFT）任务设计。该数据集汇总了众多开源数据，经过格式统一、清洗和内容安全筛查，最终包含超过12M条样本，并按任务类型划分为50个类别，每条样本均包含指令、输入、输出、历史对话等结构化字段，方便用户直接用于训练和评估。数据集覆盖广泛的中文任务，同时英文数据也经过单独整理，兼顾了跨语言翻译等场景，为SFT研究提供了安全、统一、易用的资源。
这是一个基于CT-Transformer架构的中文标点预测模型，适用于语音识别结果的后处理或纯文本输入的标点添加。它通过可控时延技术，在保持模型性能的同时有效降低了标点预测的延迟，能够在通用中文场景下输出具有可读性的文本。
该数据集包含超过14万张带中文标签的生活垃圾图像，覆盖可回收垃圾、厨余垃圾、有害垃圾和其他垃圾4个标准大类，细分为265个常见生活垃圾小类。其中训练集约13.3万张，验证集约1.46万张，数据总量约13GB。图像按类别存放在不同文件夹中，并附带中文类名文件，方便直接用于垃圾分类模型的训练与评估。
该数据集是 RoboMIND2.0 框架下 Franka 机器人相关数据的第五部分，采用 Apache 2.0 许可证，包含 HDF5、文本文件等多种格式，适用于机器人操作与学习研究。
RoboMIND2.0-UR5
已完整同步
RoboMIND2.0-UR5 是面向 UR5 机械臂操作任务的数据分片，包含 HDF5 数据与文本说明，共 54,592 个文件、约 15.58 TB，适合运动规划、模仿学习和仿真研究。
MSAgent-Bench 是一个面向中文 Agent 场景的数据集，旨在提升开源大语言模型作为中枢，集成并调用多种 AI 模型能力。该数据集包含约 60 万条训练样本和对应的验证样本，涵盖 AI 模型 API、通用 API、与 API 无关的通用 SFT 数据以及 API 检索增强数据。数据格式为每行一个 JSON 样本，包含 `id` 和 `conversations` 字段，其中 `conversations` 由 `system`、`user` 和 `assistant` 三种角色组成，用于模拟模型在插件调用、工具学习和多轮对话中的交互行为。
这是一个中文通用语音识别模型，采用非自回归架构，支持对长达数小时的音频进行离线识别。模型集成了语音活动检测（VAD）、语音识别、标点恢复和时间戳输出功能，能够直接生成带标点的文字结果。在多个中文公开数据集上取得了领先的识别效果，可用于语音输入、会议纪要、语音导航等场景。