Datasets de LLM

Este conjunto de datos se centra en el ámbito financiero, cubriendo preguntas de examen en subdirecciones como productos, mercados, comportamiento, principios, con un volumen total de 250.000 preguntas. De estas, preguntas de opción múltiple y preguntas abiertas representan la mitad cada una, con 125.000 preguntas respectivamente. Los datos se almacenan en formato JSONL, pudiendo proporcionar material abundante para investigación y aprendizaje de conocimientos financieros.

Datos estructurados de análisis de preguntas de examen en coreano, volumen total aproximado de 1.500.000 preguntas; cada pregunta contiene campos como tipo de pregunta, enunciado, respuesta, análisis, etc.; las asignaturas incluyen:Primaria:lengua nacional, matemáticas, inglés, estudios sociales, ciencias;Secundaria: lengua nacional, inglés, matemáticas, ciencias, estudios sociales;Bachillerato: lengua nacional, inglés, matemáticas, física, química, biología, historia, geografía;los tipos de preguntas incluyen opción múltiple, completar espacios, verdadero/falso, respuesta abierta, etc.; estos datos pueden utilizarse para tareas de mejora de conocimiento disciplinario en modelos de gran escala.

50.000 grupos de datos de edición de imágenes. Los tipos de edición incluyen eliminación de objetivo, adición de objetivo, modificación de objetivo, reemplazo de objetivo. Los objetivos de edición cubren escenarios como personas, animales, productos, plantas, paisajes, etc. En cuanto a anotaciones, según las instrucciones de edición, se realiza recorte y anotación de eliminación/adición/modificación/reemplazo del objetivo que necesita edición en la imagen. Los datos pueden usarse para composición de imágenes, aumento de datos, generación de escenas virtuales y otras tareas.

Conjunto de datos de texto para ajuste fino de instrucciones con modelos grandes en inglés, recurso de entrenamiento diseñado específicamente para la optimización de modelos de IA, mejora significativamente la capacidad de comprensión y ejecución de instrucciones del modelo, con doble verificación por lingüistas e ingenieros de IA, compatible perfectamente con los requisitos de ajuste fino de modelos preentrenados principales.

20.846 grupos de datos de descripción texto-imagen de recetas. Cada receta contiene 4-18 imágenes y una descripción de texto correspondiente a cada imagen. Las cocinas incluyen china, occidental, coreana, japonesa, etc. El idioma de descripción es chino e inglés. En cuanto a la longitud del texto, las descripciones en chino no tienen menos de 15 caracteres, las descripciones en inglés no tienen menos de 30 palabras. Los datos pueden usarse en recomendación de recetas, educación culinaria, etc.

Este conjunto de datos se centra en los cuatro idiomas principales de Europa (francés, alemán, español, italiano), contiene 480.000 pares de texto original y texto corregido. Cada dato se presenta en formato JSON, contiene dos campos: input (texto original) y output (texto corregido), puede ayudar en investigación de procesamiento de lenguaje natural, traducción automática y enseñanza de idiomas.

100.000 grupos de datos de preguntas-respuestas sobre imágenes PPT, incluyen 100.000 grupos de imágenes PPT y anotaciones de descripción y preguntas-respuestas correspondientes. Los tipos de imágenes PPT cubren 4 tipos: diagramas de arquitectura, gráficos numéricos, diagramas de flujo e ilustraciones. Este conjunto de datos se puede utilizar para tareas como inteligencia de documentos.

204. 522 imágenes de datos OCR de problemas de examen, que cubren múltiples disciplinas, tipos de preguntas y dispositivos de captura (móvil, escáner), con texto transcrito, y fórmulas y tablas transcritas en formato LaTeX. Este conjunto de datos puede utilizarse para tareas como corrección inteligente de exámenes y tutoría de tareas. Seguimos estrictamente las regulaciones de protección de datos y privacidad, garantizando la protección de la privacidad y los derechos legítimos de los usuarios durante la recolección, almacenamiento y uso de datos, y todos los datos cumplen con GDPR, CCPA y PIPL.

1.400 imágenes de datos de descripción y anotación de comportamiento humano recogen múltiples escenarios y múltiples actividades humanas, y se han anotado las personas en las imágenes. Estos datos pueden proporcionar recursos ricos para modelos grandes multimodales. Después de ser verificados por múltiples empresas de IA, estos datos ayudan a que los modelos se desempeñen de manera excelente en aplicaciones del mundo real. Durante el proceso de recolección, almacenamiento y uso de datos, siempre seguimos estrictamente las regulaciones de protección de datos y privacidad, garantizando que la privacidad y los derechos legítimos de los usuarios sean mantenidos. Todos los datos cumplen con los requisitos regulatorios como GDPR, CCPA y PIPL.