数据集
242 个数据集
热门分类：
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。
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。
A1233213sswss/rvcmax
已完整同步
A1233213sswss/rvcmax 是 RVC 音色/语音模型资源包，按编号目录提供 WebP 预览图、Yuan 模型文件和 config.json，当前镜像约 1,389 个文件、25.7 GB。
czxxkj/DL3DV-ALL-960P
已完整同步
DL3DV-ALL-960P 是一个包含大量 960P 分辨率图像及其对应相机位姿的数据集，主要用于 3D 视觉领域的研究，如神经辐射场（NeRF）、3D 高斯泼溅、新视角合成以及文本/图像到 3D 的生成等任务。该数据集规模庞大，超过 1TB，覆盖了丰富的真实场景，为 3D 场景理解与重建提供了高质量的训练和评估资源。
这是一个包含训练图像的数据集，主要提供常见图片格式（如jpg、png、jpeg、webp）的文件，并附带一些元数据文件（如json、md），适用于图像处理或机器学习相关任务。
该数据集主要用于LaTeX OCR（光学字符识别）测试，包含图片（PNG格式）以及对应的标注文件（JSON、JSONL等），可用于训练或评估将LaTeX公式图像转换为可编辑文本的模型。
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。
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。
该数据集为SA-1B中的约863万张图片提供了高质量、详细的长文本中文描述。每张图片的描述包含整体场景概括和局部重要元素的细节说明，结构清晰，适合用于多模态模型训练、图像描述生成等任务。数据以Parquet格式组织，方便直接使用。
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。
modelscope/gsm8k
已完整同步
GSM8K 是小学数学文字题与解答资源，当前镜像包含 JSON、脚本和说明文件，适合数学推理训练样例、模型评测和教育研究。
RoboMIND2.0-Agilex-mobile 是移动操作机器人数据分片，包含 HDF5 数据与文本说明，共 13,952 个文件、约 10.23 TB，面向移动机器人学习与操作研究。
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。