数据集
242 个数据集
热门分类：
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。
DeepSeek-R1-0528 是 DeepSeek R1 模型的一次小版本升级，重点提升了推理深度和推理能力。通过增加计算资源并引入算法优化，该模型在数学、编程、通用逻辑等多项基准测试中表现出色，整体性能已接近 O3 和 Gemini 2.5 Pro 等领先模型。例如，在 AIME 2025 测试中，准确率从之前版本的 70% 提升至 87.5%，平均每道题使用的推理 token 从 12K 增加到 23K，体现了更深的思考过程。此外，新版本还降低了幻觉率，增强了函数调用支持，并优化了 vibe coding 体验。模型最大生成长度为 64K tokens。
MedAIBase/AntAngelMed
已完整同步
AntAngelMed 是当前最大的开源医疗语言模型，由浙江省卫健委、蚂蚁集团及浙江省安诊儿医学人工智能科技有限公司联合研发。它在 OpenAI 的 HealthBench 和中文权威评测 MedAIBench 上均取得领先成绩，尤其在 Hard 子集上表现突出。该模型采用高效 MoE 架构，总参数 100B 但仅激活 6.1B，推理速度可达 200 tokens/s 以上，同时支持 128K 上下文长度。通过医学语料持续预训练、高质量指令微调及 GRPO 强化学习，模型具备了深入的医学知识、严谨的诊断推理能力以及良好的安全伦理遵循。
jetmoe/jetmoe-8b
已完整同步
JetMoE-8B 是一个高效的大语言模型，仅需极低的训练成本就能达到甚至超越 LLaMA2-7B 的性能。它在推理时只有 2.2B 活跃参数，大幅降低了计算开销，同时优于计算量相近的模型（如 Gemma-2B）。该模型完全基于公开数据集训练，代码开源，便于在普通消费级 GPU 上进行微调，适合学术研究场景。
该数据集是一个百万级的中英文混合语料，中文占比54%，英文占比46%，覆盖金融、社会、生物、商业、工业制造、化学、车辆、科学、疾病医疗、个人生活、安全和通用等12个领域，适用于数百个使用场景。数据主要支持三种信息抽取任务：命名实体识别（NER）涵盖中文28种实体类型和英文130种实体类型；关系抽取（RE）涵盖中文232种关系和英文236种关系；事件抽取（EE）涵盖中文84种事件类型和203种论元，以及英文45种事件类型和62种论元。
VitaBench是一个用于评估大语言模型代理能力的基准测试，基于真实生活服务场景构建，涵盖外卖、到店消费和在线旅游等领域。该基准集成了66种工具，包含100个跨场景任务和300个单场景任务，要求代理在多轮对话中理解模糊指令、追踪用户意图并灵活调用工具。评估显示，当前最先进的模型在跨场景任务上仅能达到32.5%的成功率，凸显了该基准在推动实用化AI代理发展方面的价值。
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。
OpenOrca是一个大规模英语数据集，专注于自然语言处理中的指令跟随与对话任务。它包含约100万条由GPT-4生成的完成数据和约320万条由GPT-3.5生成的完成数据，总计约420万条样本。该数据集基于FLAN Collection进行增强，旨在与Orca论文中描述的分布对齐，可用于训练和评估高性能语言模型。其覆盖的任务类型广泛，包括对话、问答、文本分类、摘要、文本生成等。数据集采用MIT许可协议开放，是NLP研究和开发的重要资源。
该数据集专为医学大语言模型 HuatuoGPT-o1 的微调设计，包含英文、中文及混合指令等多个版本。数据基于可验证的医学问题构建，通过 GPT-4o 生成推理过程并由医学验证器校验，旨在提升模型在复杂医学推理任务中的表现。
该数据集包含30,000条电商订单记录，涵盖客户画像、订单详情、产品信息、定价结构、折扣、支付方式、物流操作、客户互动、评分和利润指标等41个特征，数据完整无缺失。适用于商业智能、客户分析、销售绩效评估及机器学习任务，可支持高价值订单分类、订单金额预测和退货预测等场景。
金融市场历史行情数据集
已完整同步
这是一个面向量化研究和市场分析的金融市场历史行情数据集，包含日线与分钟级别的行情数据，支持通过 API 查询或直接读取 JSON 格式文件来获取结构化历史数据。
该数据集包含多个股票代码的1分钟级别OHLCV（开盘价、最高价、最低价、收盘价、成交量）数据，所有时间戳均以UTC时区记录。数据集中有一个主要的训练集，以及众多以股票代码命名的独立分片，每个分片对应特定股票的历史行情。整体样本量较大，适合用于金融时间序列分析、量化交易策略回测等场景。
热搜榜单最新快照
已完整同步
热搜榜单最新快照是多个平台热搜榜单的当前采集结果，使用 JSON 保存榜单名称、条目、热度和采集时间等信息。
热搜榜单历史快照
已完整同步
热搜榜单历史快照是多个平台热搜榜单的历史时间序列，使用 JSON 保存不同采集时刻的榜单条目和热度信息。
MNBVC 是一个大规模中文语料数据集，由社区持续整理和更新。它包含多个子集，覆盖学术论文、博客、书籍、企业年报、法律判决书、代码等多种文本类型，适用于文本生成、掩码语言建模等自然语言处理任务。数据集以高质量的中文互联网文本为主，旨在为研究和应用提供丰富的语料资源。
FineFineWeb 是一个大规模英文网页语料库，专注于细粒度领域的文本分类与生成。该数据集覆盖了航空航天、农学、艺术、计算机科学、经济学、健康、法律等数十个领域，总计超过1万亿 token。通过多次迭代处理，它提供了丰富的结构化文本，适用于文本分类、文本生成和文本到文本生成等多种自然语言处理任务。
GSM8K（Grade School Math 8K）是一个包含约8500道小学数学应用题的数据集。每个问题都需要2到8步的多步推理，仅涉及基本算术运算（加减乘除），解答以自然语言形式呈现，而非纯数学表达式。该数据集旨在测试语言模型在基础数学推理方面的能力，适合用于文本生成任务。
AgentWorldBench是一个评估语言世界模型能力的综合基准，它基于前沿模型在真实环境中执行任务时的轨迹数据构建而成。该基准覆盖了七个领域：API服务器响应、搜索引擎结果、命令行环境、代码编辑环境、Android UI、浏览器DOM以及桌面操作系统。每个评估样本包含多轮交互历史，要求模型根据之前的动作和观察，预测当前环境观察结果。评价维度包括格式、事实性、一致性、真实性和质量，旨在全面检验世界模型在推理、知识和长上下文理解方面的能力。
这是一个中文数据集，包含约11万条由DeepSeek-R1模型蒸馏得到的指令数据，涵盖数学、考试、STEM以及通用领域（如逻辑推理、社交问答等）。每条数据包含输入、思考过程、输出和评分字段，适用于文本生成、问答等任务的监督微调。数据集采用Apache-2.0许可。
小红书创作者笔记
已完整同步
小红书创作者笔记数据集包含创作者发布的帖子、帖子详情和评论等结构化内容，适合研究内容主题、互动和创作者生态。