数据集
242 个数据集
热门分类：
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。
Robin021/DISC-Law-SFT
已完整同步
这是一个面向中文法律智能系统的高质量监督微调数据集，覆盖法律信息提取、判决预测、文档摘要和问答等任务。数据集包含两个子集：一个用于引入法律推理能力，另一个用于增强模型利用外部法律知识的能力。整体规模超过100万条，以中文问答和任务对话形式呈现，适合用于训练和评估法律领域的语言模型。
这个数据集是经过去重处理的大规模文本语料库，涵盖多种内容类型，包括结构化文本、纯文本、列式数据及二进制文件。数据以 Parquet、JSON 和 Markdown 等格式提供，适用于训练语言模型等自然语言处理任务。该数据集采用 Apache 2.0 许可证。
Chinese-medical-dialogue 是中文医疗对话资源，包含医疗领域问答或对话文本，适合用于医疗对话理解、检索和文本分类研究。
hy_mm_data_v0901 是一个大规模多格式资源包，当前镜像包含约 1,631 个文件、约 1.22 TB 数据，主要为 ZIP 压缩包及说明/元数据文件；使用前应按目录和压缩包检查具体内容与字段。
这个数据集专为 LaTeX 光学字符识别（OCR）任务设计，包含图像到文本的配对样本。它提供了多种子集：一个约 100K 样本的印刷体完整数据集，一个同样规模的手写体合成数据集，以及一个较小但更贴近真实手写场景的数据集。此外，还有一个小规模测试集（110 条）和基于真实手写公式渲染的印刷体版本。每个子集都划分为训练、验证和测试三部分，方便模型训练与评估。
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。
modelscope/mmlu
已完整同步
该数据集目前处于预发布阶段，采用 Apache License 2.0 许可协议。内容涵盖文本、二进制、结构化文本和归档等多种类型，以 Markdown、JSON、Python 脚本及 TAR 归档等格式提供。
该数据集是一个用于图像描述（image captioning）任务的数据集，包含训练和验证两个子集。每条数据由图像、对应的描述文本以及图像ID组成，适合用于训练和评估图像描述模型。数据集规模在10k到1m之间，语言为英文。
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。
该模型是一个面向中文普通话的离线语音识别模型，基于SeACoParaformer架构，支持热词定制功能，能够有效提升指定热词的识别准确率。模型采用非自回归解码方式，在16kHz采样率下运行，基于5万小时工业级中文任务数据训练，具有较好的泛化能力。在AISHELL-1-hotword测试集上，平均字错率（CER）为8.53%，每秒实时因子（RTF）为0.0251，兼顾了识别精度与推理速度。
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。