dataset

自 2020 年以来的公开 BTC 交易背景上下文。

M2DGR：一个地面机器人的多模态与多场景数据集（RA-L2021 & ICRA2022）

人工精调的中文对话数据集和一段 chatglm 的微调代码

TorchXRayVision：胸部 X 光数据集与模型的库。包含分类器、分割与自动编码器。

2019 年新型冠状病毒病例时间序列数据

全球单一最大互联网域数据集

Twitter 数据集及相关资源列表。

:video_game: 精选的优秀游戏数据集清单，以及用于游戏人工智能的工具

我们介绍了音频逻辑推理（ALR）数据集，包含 6,446 个专为复杂推理任务设计的文本-音频标注样本。基于此资源，我们提出了 SoundMind，这是一种量身打造的基于规则的强化学习（RL）算法，旨在赋予音频语言模型（ALMs）深度双模态推理能力。

:helicopter: 保险行业语料库，聊天机器人

手势识别图像数据集

用于研究的交通网络

MMSA 是一个用于多模态情感分析的统一框架。

用于生成姓名的 Python 库

大型语言模型中思维链推理相关数据与工具的中央开源资源。由 Samwald 研究群开发：https://samwald.info/

精选的生物力学与人体动作分析公开资源列表：数据集、处理工具、模拟软件、教育视频、讲座等。

Github 语言统计

Apache Spark 的 C# 与 F# 语言绑定与扩展

KDD 2019：通过随机循环神经网络实现多元时间序列的鲁棒异常检测

基于 PyTorch 的 SOTA 语义分割模型

独立的 TFRecord 读取/写入器，搭配 PyTorch 数据加载器使用

用于可视化数据集、处理数据及评估结果的 SemanticKITTI API。

在单一管线中生成高质量合成数据、训练、测量与评估

[ICLR 2025] 通过提示已对齐的 LLMs 从零开始进行对齐数据合成。您的高效且高质量合成数据生成管线！

[NeurIPS 2025 Spotlight] OpenCUA：电脑使用代理的开放基础

🍃 MINT-1T：一个包含一万亿个 token 的多模态交错数据集。

精准医疗知识图谱 (PrimeKG)

国家美术馆开放数据计划

用于创建 COCO 数据集的辅助函数

Total Text 数据集。包含 1555 张图像，具备三种以上的文字方向：水平、多方向与弯曲，是独一无二的数据集。