数据集
高质量的开源 AI 训练数据集
Hugging Face 数据集大全
Hugging Face 托管的全球最大开源数据集枢纽，覆盖 NLP、计算机视觉、音频和多模态任务。平台汇聚了数十万个社区贡献的数据集，并提供高效的数据流式加载工具。无论你需要文本分类基准、图文配对还是语音转文字语料，这里都是获取高质量训练数据的首选基础设施。
Kaggle 数据集平台
Kaggle 托管数万个公开数据集，涵盖机器学习竞赛、真实业务问题和学术研究。所有数据集均可通过内置笔记本在线分析，也可直接下载到本地进行实验和模型训练。
Papers with Code 数据集
Papers with Code 将学术论文中的基准数据集与其对应的 SOTA 模型和开源实现关联起来，方便你比较方法、复现结果，并为研究找到合适的数据集和代码基线。
Google 数据集搜索
Google Dataset Search 是专门的数据集搜索引擎，跨数千个来源索引公开数据集，帮助研究者和开发者快速定位训练、分析或验证所需的特定数据，无论其托管在哪里。
Common Crawl 网络语料
Common Crawl 是一个开放的 PB 级网页爬取语料库，是众多大语言模型预训练的基础数据来源。该语料库可免费下载，广泛用于 NLP 研究、数据挖掘和大规模机器学习实验。
LAION 开放多模态数据集
LAION（大规模人工智能开放网络）提供海量开源图文对数据集，已被广泛用于训练 CLIP、Stable Diffusion 等多模态模型。这些数据集免费开放，是开源生成式 AI 研究的重要基础设施。
UCI 机器学习数据集库
UCI 机器学习仓库是一个经典的结构化数据集集合，自 1990 年代末维护至今，广泛用于动手实践、算法基准测试和全球高校机器学习课程的基础教学。
The Stack 源代码数据集
The Stack 是 BigCode 项目推出的大规模宽松许可源代码数据集，涵盖数百种编程语言。它广泛用于代码生成模型的预训练与评估，并提供退出机制和去重工具，支持负责任的数据实践。
ImageNet
ImageNet 是里程碑式的大规模图像数据集，包含数千类别的数百万张标注图像。它通过 ILSVRC 基准竞赛推动了计算机视觉的深度学习革命，至今仍是预训练、迁移学习和图像分类模型评估的基石。
Alpaca-Cleaned
Alpaca-Cleaned：yahma 在 Hugging Face 发布的语言建模数据集。
Alpaca CoT
Alpaca CoT：QingyiSi 在 Hugging Face 发布的中文开放数据集。
Alpaca
Alpaca：tatsu-lab 在 Hugging Face 发布的语言建模数据集。
Bad Prompt
Bad Prompt：Nerfgun3 在 Hugging Face 发布的开放数据集。
c4
c4：allenai 在 Hugging Face 发布的多语言语言建模数据集。
Chinese DeepSeek R1 Distill data 110k
Chinese DeepSeek R1 Distill data 110k：Congliu 在 Hugging Face 发布的中文语言建模数据集。
COIG CQIA
COIG CQIA：m-a-p 在 Hugging Face 发布的中文问答数据集。
Cosmopedia
Cosmopedia：HuggingFaceTB 在 Hugging Face 发布的开放数据集。
CulturaX
CulturaX：uonlp 在 Hugging Face 发布的多语言语言建模数据集。
Databricks Dolly 15k
Databricks Dolly 15k：databricks 在 Hugging Face 发布的问答数据集。
DiffusionDB
DiffusionDB：poloclub 在 Hugging Face 发布的图像描述数据集。
Dolma
Dolma：allenai 在 Hugging Face 发布的语言建模数据集。
EasyNegative
EasyNegative：gsdf 在 Hugging Face 发布的开放数据集。
Falcon RefinedWeb
Falcon RefinedWeb：tiiuae 在 Hugging Face 发布的语言建模数据集。
📄 FinePDFs
📄 FinePDFs：HuggingFaceFW 在 Hugging Face 发布的语言建模数据集。
FineWeb
FineWeb：HuggingFaceFW 在 Hugging Face 发布的语言建模数据集。
🥂 FineWeb 2
🥂 FineWeb 2：HuggingFaceFW 在 Hugging Face 发布的语言建模数据集。
FineWeb-Edu
FineWeb-Edu：HuggingFaceFW 在 Hugging Face 发布的语言建模数据集。
GAIA
GAIA：gaia-benchmark 在 Hugging Face 发布的开放数据集。
GLUE (General Language Understanding Evaluation benchmark)
GLUE (General Language Understanding Evaluation benchmark)：nyu-mll 在 Hugging Face 发布的文本分类数据集。
Grade School Math 8K
Grade School Math 8K：openai 在 Hugging Face 发布的语言建模数据集。
Hh Rlhf
Hh Rlhf：Anthropic 在 Hugging Face 发布的开放数据集。
hle
hle：cais 在 Hugging Face 发布的开放数据集。
ImageNet
ImageNet：ILSVRC 在 Hugging Face 发布的图像分类数据集。
IMDB
IMDB：stanfordnlp 在 Hugging Face 发布的文本分类数据集。
Infinity Instruct
Infinity Instruct：BAAI 在 Hugging Face 发布的中文语言建模数据集。
Internship Warehouse
Internship Warehouse：FlyRank 在 Hugging Face 发布的开放数据集。
Llama Nemotron Post Training Dataset
Llama Nemotron Post Training Dataset：nvidia 在 Hugging Face 发布的开放数据集。
LLaVA Instruct 150K
LLaVA Instruct 150K：liuhaotian 在 Hugging Face 发布的问答数据集。
Lmsys Chat 1m
Lmsys Chat 1m：lmsys 在 Hugging Face 发布的开放数据集。
medical o1 reasoning SFT
medical o1 reasoning SFT：FreedomIntelligence 在 Hugging Face 发布的中文问答数据集。
Medical Prescription English Audio Dataset
Medical Prescription English Audio Dataset：HumynLabs 在 Hugging Face 发布的开放数据集。
Measuring Massive Multitask Language Understanding
Measuring Massive Multitask Language Understanding：cais 在 Hugging Face 发布的问答数据集。
MNBVC
MNBVC：liwu 在 Hugging Face 发布的中文语言建模数据集。
NuminaMath CoT
NuminaMath CoT：AI-MO 在 Hugging Face 发布的语言建模数据集。
OpenAssistant Conversations
OpenAssistant Conversations：OpenAssistant 在 Hugging Face 发布的多语言开放数据集。
OpenHermes 2.5
OpenHermes 2.5：teknium 在 Hugging Face 发布的开放数据集。
OpenOrca
OpenOrca：Open-Orca 在 Hugging Face 发布的文本分类数据集。
OpenR1 Math 220k
OpenR1 Math 220k：open-r1 在 Hugging Face 发布的开放数据集。
OpenThoughts 114k
OpenThoughts 114k：open-thoughts 在 Hugging Face 发布的开放数据集。
Opus 4.6 Reasoning 3000x filtered
Opus 4.6 Reasoning 3000x filtered：nohurry 在 Hugging Face 发布的开放数据集。
PersonaHub
PersonaHub：proj-persona 在 Hugging Face 发布的中文语言建模数据集。
PhysicalAI Autonomous Vehicles
PhysicalAI Autonomous Vehicles：nvidia 在 Hugging Face 发布的开放数据集。
Prompts.chat
Prompts.chat：fka 在 Hugging Face 发布的问答数据集。
RedPajama Data 1T
RedPajama Data 1T：togethercomputer 在 Hugging Face 发布的语言建模数据集。
ShareGPT Vicuna unfiltered
ShareGPT Vicuna unfiltered：anon8231489123 在 Hugging Face 发布的开放数据集。
SQuAD
SQuAD：rajpurkar 在 Hugging Face 发布的问答数据集。
Synthetic Text To Sql
Synthetic Text To Sql：gretelai 在 Hugging Face 发布的问答数据集。
The-Stack-v2
The-Stack-v2：bigcode 在 Hugging Face 发布的语言建模数据集。
TinyStories
TinyStories：roneneldan 在 Hugging Face 发布的语言建模数据集。
UltraChat 200k
UltraChat 200k：HuggingFaceH4 在 Hugging Face 发布的语言建模数据集。
+ 1,766 more — 查看全部 →