数据集
142 个数据集
热门分类：
MNN LLM APP 配置
已完整同步
MNN LLM APP 配置是 MNN 大模型应用配置资源，包含 JSON 配置、Markdown 说明和 Git 属性文件，共 3 个文件、约 4.5 KB，适合配置检查而非训练语料。
中文大规模多任务语言理解数据集
已完整同步
CMMLU 是中文大规模多任务语言理解评测集，覆盖多个知识学科和任务类别，通过中文多项选择题评估模型的知识与理解能力。
RoboMIND2.0-Franka-Part-2 是 Franka 机械臂操作数据分片，包含 HDF5 二进制数据与文本说明，共 22,047 个文件、约 9.81 TB，适合操作技能学习与行为仿真。
心理咨询师数字孪生对话数据集
已完整同步
该数据集包含多轮心理咨询对话，用于构建心理咨询师的数字孪生模型。数据基于少量真实咨询案例，通过大语言模型生成，保留了特定咨询师的语言风格与疗法技术，涵盖单轮与多轮对话。训练集约4760个对话，测试集约240个对话，总计超9万轮次，适合用于微调模型以模拟具有个性化咨询风格的心理健康助理。
Matrix 是面向大语言模型预训练的中英文大规模语料资源，包含多个来源和处理阶段，规模约为数万亿 token。
Egocentric-10K 是目前规模最大的以自我为中心视角的数据集，也是首个完全在真实工厂环境中采集的数据。它包含超过 10,000 小时、约 10.8 亿帧的视频素材，共 192,900 个视频片段，中位时长为 180 秒。视频采用 H.265 编码的 1080p 分辨率，帧率 30 fps，由单目头戴摄像机拍摄，视野为 128° 水平、67° 垂直。数据以 WebDataset 格式存储，每个 tar 包中视频与 JSON 元数据成对出现，并提供基于 OpenCV 鱼眼模型的相机内参。该数据集覆盖 85 个工厂中的多名工人，在手部可见性和主动操作密集度方面达到了当前最优水平。
RoboMIND2.0-Ark
已完整同步
RoboMIND2.0-Ark 是机器人操作数据分片，包含 HDF5 数据与文本说明，共 14,913 个文件、约 10.45 TB，适合机器人运动规划、仿真和感知研究。
FSMN语音端点检测（VAD）模型专为中文通用场景设计，支持16kHz采样率的音频输入。该模型基于FSMN架构，已导出为ONNX量化格式，便于在生产环境中直接部署，实现高效的语音活性检测。它能够准确判断音频中语音段的起止位置，适用于实时或离线语音识别等任务。
Qwen3-30B-A3B-Thinking-2507 是一个基于 Transformer 的因果语言模型，采用混合专家（MoE）架构，总参数量为 30.5B，每次推理仅激活 3.3B 参数。它原生支持高达 262K 的上下文长度，在逻辑推理、数学、科学、编程等复杂推理任务上表现显著提升，同时指令遵循、工具使用、文本生成等通用能力也有明显增强。该模型默认开启深度思考模式，特别适合处理高复杂度的推理场景。
AISHELL-1 trainsets 是中文语音识别训练资源，面向普通话语音转写和 ASR 模型训练，包含训练集相关索引、元数据或说明文件。
BERT base uncased是一个基于Transformer架构的预训练语言模型，通过掩码语言建模和下一句预测两个自监督任务，在大规模英文语料上学习到了丰富的语言表示。该模型不区分大小写，拥有约1.1亿参数，适用于多种自然语言处理下游任务的微调，如文本分类、问答和命名实体识别等。
RoboMIND2.0-Franka-Part-1 是 Franka 机械臂操作数据分片，包含 HDF5 数据与文本说明，共 18,684 个文件、约 9.57 TB，适合机器人行为学习与控制研究。
RoboMIND2.0-Franka-Part-3 是一个面向机器人操作任务的数据集，以 HDF5 和文本格式存储数据文件，包含二进制与文本内容，采用 Apache License 2.0 许可。
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。
这是一个中文句子嵌入模型，基于CoSENT方法训练，能够将句子映射为768维的稠密向量，适用于语义相似度计算、文本匹配和语义搜索等任务。模型在多个中文语义评测数据集上取得了较好的表现。
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。
这是一个中文诗词数据集，收录了从中国古代各朝代的诗词作品，可用于训练诗词续写模型。数据集包含约38.9万条训练样本和1710条测试样本，每条记录以“text1”字段存储一段完整的诗词内容。数据格式支持CSV、JSON和Markdown，便于不同场景下的使用。
这是一个中文Text2SQL训练数据集，包含500条训练样本和100条测试样本，可用于训练和评估表格问答预训练模型。数据集支持中文，覆盖通用领域，能够帮助模型理解自然语言问题并生成对应的SQL查询语句。
Qwen/Qwen3.5-4B
已完整同步
Qwen3.5-4B 是一个拥有 40 亿参数的多模态大语言模型，能够同时处理图像和文本输入。它采用高效的混合架构，结合了 Gated Delta Networks 与稀疏混合专家，在保持低延迟的同时实现高吞吐推理。该模型原生支持 26 万 token 的上下文长度，并可扩展至百万级，还覆盖了 201 种语言，具备广泛的语言和文化理解能力。通过大规模强化学习训练，它在推理、代码、代理任务和视觉理解等方面表现出色。
这是一个中文数据集，包含约11万条从DeepSeek-R1蒸馏得到的指令-回答对，已整合为可直接用于监督微调（SFT）的格式。数据涵盖数学、考试、STEM及通用领域（如逻辑推理、小红书、知乎等），并保留了模型打分结果（如正确性、无害性、有用性），便于后续筛选。请注意，数据由模型生成，未经严格验证，使用时需自行甄别。