数据集
242 个数据集
热门分类：
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。
RYS-Qwen3.5-27B-FP8-S 是一个基于 Qwen3.5 的 27B 参数因果语言模型，采用 FP8 量化（块大小 128）以降低存储和推理开销，同时保持与原始模型几乎一致的性能。该模型集成了视觉编码器，支持图像到文本的多模态任务，原生上下文长度达 262,144 token，并可扩展至 1,010,000 token。架构上融合了 Gated Delta Networks 与稀疏混合专家（MoE），在高效推理的同时兼顾多模态理解、推理、代码生成和智能体能力。它经过大规模强化学习训练，并支持 201 种语言，适用于全球部署场景。
RYS-Qwen3.5-27B-FP8-M 是一个基于 Qwen3.5-27B 的 FP8 量化版本，拥有 27B 参数，采用细粒度 128 块大小的 FP8 量化，性能与原始模型几乎一致。它属于因果语言模型，并集成了视觉编码器，支持图像到文本的多模态任务。模型采用高效的 Gated Delta 网络与稀疏 MoE 混合架构，原生支持 262,144 令牌的上下文长度，并可扩展至约 100 万令牌。在训练中引入了可扩展的强化学习，覆盖 201 种语言，在推理、编码、智能体及视觉理解等方面表现出色。
RYS-Qwen3.5-27B-FP8-L 是基于 Qwen3.5-27B 的 FP8 量化版本，采用块大小为 128 的细粒度量化方法，性能与原始模型几乎一致。该模型融合了多模态学习与高效的混合架构，支持文本和图像输入，原生上下文长度可达 262,144 个token，并可通过扩展支持至超过 100 万 token。它在大规模强化学习训练中表现出色，覆盖 201 种语言，适用于多种复杂场景。
Skywork/Matrix-Game
已完整同步
Matrix-Game是一个大规模Minecraft数据集，包含细粒度的键盘和鼠标动作标注，专为训练交互式、物理基础的世界模型而设计。该数据集可配合17B参数的扩散模型，用于生成高质量、可控的游戏世界视频，并支持对场景演化进行精细控制。
MYZY-AI/Muyan-TTS
已完整同步
Muyan-TTS是一个面向播客应用的可训练文本转语音模型。它在超过10万小时的播客音频数据上进行了预训练，支持零样本高质量语音合成，并能通过短短几分钟的目标语音实现说话人自适应，从而灵活地定制个性化声音。
CoreCognition 是一个面向多模态大语言模型的核心知识基准数据集，源于发展认知科学中的12项基本能力。它包含1,423个多模态样本和80个概念挑战问题，涉及对象持久性、空间推理、计数等人类直觉中固有的核心能力，旨在评估模型在基础认知任务上的表现。
这个数据集包含多个AI模型在价值冲突场景下的响应，以及不同评判模型对合规性的评估。数据分为三个主要子集：默认子集提供六个精选的分歧场景，涵盖各模型间的高分歧情况；完整子集包含全部超过41万条场景；评判评估子集则收录了约1.5万条由三个评判模型对部分模型响应做出的合规性判断。每个样本都记录了查询文本、多个模型的响应及其在各价值维度上的立场分数，适合用于分析模型在价值权衡中的表现。
ByteDance/Q-Insight
已完整同步
Q-Insight 是一个专注于图像质量理解的视觉语言模型，通过视觉强化学习进行训练。它基于 Qwen2.5-VL-7B-Instruct 进行微调，采用 Apache-2.0 开源协议。该模型主要面向图像质量评估（IQA）、视频质量评估（VQA）以及 AIGC 内容的理解任务。
EduBench是一个面向教育场景的综合性评估基准数据集，专门用于衡量大语言模型在多样化教学任务中的表现。它覆盖了学生和教师两大视角，共包含十个子任务，如问答、纠错、情感支持、自动出题、评分与教案生成等。数据以JSONL格式提供，每条记录包含任务元信息、输入提示词，以及多个主流大模型的预测结果，便于研究者进行对比分析。
BAAI/Video-XL-2
已完整同步
Video-XL-2 是一个支持视频与文本交互的多模态模型，能够根据视频内容回答用户的问题。它针对长视频场景提供了两种效率优化策略：基于分块的预填充（chunk-based prefill）和双层 KV 缓存解码（bi-level kvs decoding），可以有效降低显存占用和响应延迟，适合处理较长视频的推理任务。
inclusionAI/Ring-1T
已完整同步
Ring-1T 是一个万亿参数级别的开源思考模型，采用 Ling 2.0 架构，总参数量达 1 万亿，激活参数为 500 亿，支持最长 128K 的上下文窗口。该模型通过大规模可验证奖励强化学习（RLVR）训练，显著提升了自然语言推理能力，并经过 RLHF 优化使通用能力更加均衡，在数学竞赛、代码生成和逻辑推理等挑战性基准上表现领先。
这是一个基于 Qwen3-VL-8B-Thinking 的 8 位量化模型，支持图像到文本的生成任务，例如描述图片内容。模型采用 MLX 格式，方便在 Apple 设备上高效运行。
这是一个用于训练推理模型的数据集，包含可验证的数学和编程任务。数据集共有约28.5万条训练样本，每条样本包含问题ID、任务类型、提示文本、验证信息以及一个参考模型的解答率等字段。
这是一个基于 Qwen3-30B-A3B 的 GGUF 格式量化模型，支持 128K 上下文长度，采用 Unsloth Dynamic 2.0 量化技术，在保持较高精度的同时优化了运行效率。该模型可在 llama.cpp、Ollama 等框架中直接使用，并支持通过 `/think` 和 `/no_think` 指令在推理过程中切换模型的思考模式，方便多轮对话中的灵活控制。
LLaDA2.0-flash-preview 是一个基于扩散技术的语言模型，采用混合专家（MoE）架构，总参数量达1000亿，但推理时仅激活约61亿参数，显著降低了计算成本。它在代码生成、复杂数学推理以及工具调用等任务上表现突出，并在多个基准测试中展现出与同类开源模型相比更优的性能。该模型支持指令微调，适用于实际应用场景，未来还将通过强化学习进一步提升推理能力。
High_Dimensional_Time_Series 是多变量时间序列预测数据集，包含 M5、伦敦智能电表、Wikipedia 流量、全球温度和风速等序列配置。