数据集
238 个数据集
热门分类：
ASLP-lab/DiffRhythm2
已完整同步
DiffRhythm 2 是新一代开源音乐生成框架，基于半自回归扩散架构，能够生成完整歌曲，并实现精确的歌词对齐与连贯的音乐结构。其名称中的“Diff”代表扩散生成主干，“Rhythm”强调对音乐性与时间流动的专注，中文名“谛韵”则融合了“谛”（专注聆听）与“韵”（旋律魅力）的双重寓意。
openbmb/VoxCPM1.5
已完整同步
VoxCPM1.5 是一个无需分词器的文本转语音（TTS）系统，能够生成上下文感知、富有表现力的语音，并实现逼真的零样本声音克隆。该模型基于 MiniCPM4-0.5B，采用扩散自回归架构直接生成连续语音表示，在 180 万小时双语语料上训练。相比前代版本，它支持 44.1kHz 高采样率输出，提高了音质，同时将 token 率降至 6.25Hz，提升效率。支持流式合成，实时因子低至 0.17，并可通过 SFT 或 LoRA 进行微调，适配个性化语音模型。
zai-org/GLM-TTS
已完整同步
GLM-TTS 是一个基于大语言模型的高质量文本转语音合成系统，支持零样本语音克隆与流式推理。它采用两阶段架构：先由 LLM 将输入文本转换为语音 token 序列，再通过 Flow Matching 模型生成高质量波形。系统引入了多奖励强化学习框架（GRPO），显著提升语音的表现力，实现更自然的情绪控制。关键特性包括仅需 3-10 秒音频即可克隆任意说话人声音、RL 增强的情感表达、音素级精确发音控制、支持中英双语混合文本，以及实时流式生成。
ZhejiangLab/Gengram
已完整同步
Gengram-10B 是一个为基因组基础模型设计的条件记忆模块，通过显式基序记忆检索增强基于 Transformer 的 DNA 序列建模。它采用哈希查找表存储和检索 k-mer（k=1-6），并引入 21 碱基对窗口机制以对齐 DNA 螺旋结构，在保持线性时间复杂度的同时提升计算效率。该模块兼容多种注意力机制（如 MHA、GQA、MLA），支持混合专家模型中的负载均衡，并具备生物可解释性：记忆嵌入呈现反向互补对称性，门控机制随功能区域变化，从浅层到深层形成层次化表示。
sarosavo/Master-RM
已完整同步
这是一个用于训练鲁棒生成式奖励模型（Master-RM）的合成数据集，包含约18万条训练样本。每条样本由问题、回答和二元偏好标签组成，适用于监督微调、偏好优化等任务。数据集特别针对生成式奖励模型容易被表面操作（如无意义符号或推理开头）欺骗的漏洞进行了增强，通过额外添加2万个负例样本，帮助模型提升抵抗这类攻击的鲁棒性。
该数据集包含用于文本分类的评分标准（rubrics），覆盖健康、通用和金融三个领域。其中健康与通用领域各有5000条训练提示及对应评分标准，并额外提供1000条提示用于端到端胜率对比；金融领域提供1145条训练提示及评分标准。数据以JSONL格式存储，可用于基于评分标准的强化学习奖励建模。
openbmb/MiniCPM-SALA
已完整同步
MiniCPM-SALA是一种创新的大规模混合注意力模型，首次将稀疏注意力与线性注意力高效融合，专为百万级令牌的上下文建模设计。它采用25%的稀疏注意力层（基于InfLLM-v2）和75%的线性注意力层（Lightning Attention），在保持高保真长上下文建模能力的同时，突破了计算和内存瓶颈，实现了3.5倍的推理加速，并显著降低KV缓存开销。通过混合位置编码（HyPE）和基于蒸馏的HALO训练策略，该模型能够扩展到百万令牌以上的上下文长度，同时在通用知识、数学和代码等任务上保持与全注意力模型相当的性能。
PKU-DS-LAB/FairyR1-32B
已完整同步
FairyR1-32B 是一个高效的大语言模型，由北京大学 DS-LAB 团队开发。它基于 DeepSeek‑R1‑Distill‑Qwen‑32B 构建，采用创新的“蒸馏-融合”流程，仅用约 5% 的参数规模，便在数学竞赛（如 AIME 2024/2025）和代码生成（如 LiveCodeBench）等任务上取得了与 DeepSeek‑R1‑671B 相当甚至更优的成绩。该模型通过优化数据蒸馏管道和多专家模型融合，在显著降低推理成本的同时，保持了出色的任务性能。
这个数据集是为PCMind-v2.1-Kaiyuan-2B语言模型提供的完整预训练数据集，总规模超过1TB。它包含5个训练阶段，覆盖英语、中文、代码、数学和SFT五大领域，并采用领域特定的混合策略和两种采样方式（前两阶段均匀采样，后三阶段基于课程学习排序）。数据以文本形式呈现，支持中英文，适用于文本生成任务。
该数据集是一个专门用于评估AI模型在临床场景中表现的医学数据集，聚焦于胸外科领域的非小细胞肺癌（NSCLC）分期与治疗规划。它包含92个精心设计的临床案例，覆盖术前评估、诊断流程、分期判断、治疗决策及风险分层等关键环节。数据集采用正负分相结合的多维度评分体系，从而对AI的临床决策能力进行量化评估。所有案例均经过多学科临床团队审核，确保专业性和准确性，可用于AI临床决策支持、医学教育及模型性能对比等场景。
ToxiMol 是一个专门用于分子毒性修复的基准数据集，包含 660 个具有代表性的有毒分子，覆盖多种毒性机制和不同粒度。它提供了 11 项主要的毒性修复任务，每个任务对应一个特定的毒性终点（如致突变性、致癌性、心脏毒性等）。数据集采用多模态输入，包括 SMILES 字符串和通过 RDKit 渲染的二维分子结构图像，旨在评估多模态大语言模型在结构层面进行分子去毒化时的能力。该基准适用于分类与回归任务，是药物发现和分子设计领域的重要资源。
OctoCodingBench 是一个专注于评估编码代理指令遵循能力的基准数据集。它包含 72 个精心设计的实例，每个实例都伴有任务描述、系统提示和总计 2422 个可客观判定的检查项。与仅关注任务完成度的传统基准不同，该数据集特别强调代理在解决代码任务过程中是否严格遵守系统约束、项目规范、工具使用协议等多源指令。通过多维度、二值化的检查清单，它能够有效区分任务成功与规则遵循之间的差异，为代理的可靠性和可控性评估提供了更全面的视角。
deepseek-ai/Janus-Pro-7B
已完整同步
Janus-Pro 是一个统一的多模态理解与生成框架，通过解耦视觉编码路径，在保持单一统一 Transformer 架构的同时，缓解了视觉编码器在理解与生成任务中的冲突，提升了灵活性与性能。该模型基于 DeepSeek-LLM 构建，在理解任务中使用 SigLIP-L 视觉编码器（支持 384×384 图像输入），图像生成则采用下采样率为 16 的 tokenizer，在多项任务上达到或超越了专用模型的水平。
openbmb/MiniCPM-V-4_5
已完整同步
MiniCPM-V 4.5 是一款基于 Qwen3-8B 和 SigLIP2-400M 构建的多模态大语言模型，总参数量为 8B。它在视觉语言能力上表现出色，在多项基准测试中平均得分超过 GPT-4o-latest 等主流模型，并支持高效的高帧率视频理解，通过 3D 重采样器实现 96 倍视频 token 压缩。该模型具备可控的快速与深度思考模式切换，以及强大的 OCR、文档解析和多语言处理能力，支持最高 1.8 百万像素的高分辨率图像输入，并提供了多种量化与推理方式以适配不同使用场景。
Wan-AI/Wan2.2-S2V-14B
已完整同步
Wan2.2-S2V-14B 是一个音频驱动的电影级视频生成模型，能够根据输入音频生成具有丰富表现力的角色动画。它专注于处理复杂场景，如人物互动、自然身体动作和动态镜头运动，适用于影视制作等高品质需求。模型采用混合专家（MoE）架构，在保持计算效率的同时扩大了模型容量，并经过精心筛选的审美数据训练，可生成具有可控光影、构图和色彩风格的电影感视频。
IWR-Bench 是一个专门用于评估多模态大语言模型（LVLMs）从用户交互视频中重建交互式网页能力的基准数据集。它包含近千条样本，每条样本带有详细的元信息，如交互复杂度、视觉复杂度、领域与子领域分类、录屏环境、动作序列（包括类型、参数、视觉评估标志等）以及对应的视频路径。该数据集主要面向视频理解与视觉问答任务，能够有效检验模型在理解用户操作意图并生成对应代码或结构化描述方面的表现。
GSM8K-V 是一个纯视觉的多图像数学推理基准，旨在将传统文本数学应用题转化为视觉形式。它包含 1,319 个高质量的多场景问题（共 5,343 张图像），覆盖了从现实场景中提取的数学推理任务。该基准可用于评估视觉语言模型在理解图像、跨图像推理以及解决算术问题方面的能力。评测结果表明，即使是当前最强的模型，在视觉数学推理上也与文本任务存在显著差距，凸显了该领域仍有很大的提升空间。
VIBE（Visual & Interactive Benchmark for Execution）是一个专门用于评估大语言模型（LLM）在真实全栈软件开发中能力的基准数据集。它包含200个精心设计的任务，覆盖Web前端、科学模拟、原生Android、原生iOS和后端开发五个子集，每个任务都提供了自然语言需求描述。该数据集采用创新的“Agent-as-a-Verifier”（AaaV）评估范式，从执行能力、交互逻辑和视觉表现三个维度对生成的应用程序进行综合评分，旨在推动LLM从“0到1”构建可交付应用的能力。
Robust-R1 是一个面向退化感知推理的视觉问答数据集，基于 A-OKVQA 子集构建，包含 1 万条训练样本和 1 千条验证样本，旨在提升模型在复杂视觉退化场景下的鲁棒理解能力。
DeepSeek-R1T-Chimera 是一个开源模型，通过合并 DeepSeek-R1 和 DeepSeek-V3（0324）的权重而来，融合了 R1 的推理能力与 V3 的 token 效率。该模型采用 DeepSeek-MoE Transformer 架构，于 2025 年 4 月发布，适用于文本生成任务。