数据中心
238 个数据集
热门分类：
HiDream-E1 是一个基于指令驱动的图像编辑模型，能够根据用户提供的自然语言描述对输入图像进行编辑。它支持灵活的编辑指令格式，例如“将图片转换为吉卜力风格”，并配合目标图像描述来精确控制输出效果。该模型结合了 Llama 3.1 文本编码器与扩散 Transformer 架构，可在保持图像整体结构的同时实现多样化的风格转换和内容修改。
GLM-4.7-185B-W4A16 是一个经过 4 比特权重量化（W4A16）的混合专家（MoE）模型，基于 GLM-4.7-185B 压缩而来。模型总参数量为 1850 亿，采用 INT4 权重与 FP16 激活的格式，磁盘占用约 99 GB，适用于文本生成任务。该量化版本在保持模型能力的同时显著降低了存储和推理时的显存需求。
LongCat-Image 是一个开源的、中英双语的图像生成基础模型，拥有60亿参数。它在保持高效性能的同时，在多个基准测试中超越了数倍于自身规模的模型，尤其擅长中文文字渲染，能准确稳定地生成常见汉字，并覆盖了广泛的汉字字典。此外，该模型通过创新的数据策略和训练框架，能够生成具有出色照片级真实感的图像。
SmallThinker-21BA3B-Instruct 是一个面向本地部署的混合专家（MoE）语言模型，专为资源受限环境设计。它采用两级稀疏结构（细粒度 MoE 与稀疏前馈网络）和预注意力路由机制，有效降低计算需求并隐藏存储延迟。模型支持在普通 CPU 上以超过 20 tokens/s 的速度运行，内存占用仅约 8GB（Q4_0 量化）。在 MMLU、GPQA、MATH-500 等多项基准测试中，该模型取得了具有竞争力的性能，平均分达 76.26，超越了部分同规模及更大模型。
SmallThinker-4BA0.6B-Instruct 是一个专为本地部署设计的高效语言模型，采用两层稀疏结构（细粒度混合专家与稀疏前馈网络），在降低计算需求的同时保持模型能力。该模型还引入了预注意力路由器和 NoPE-RoPE 混合稀疏注意力机制，以优化存储 I/O 和内存效率，在普通消费级 CPU 上即可实现每秒超过 20 个 token 的生成速度，内存占用仅约 1GB。模型主要面向英文文本生成任务，在多项基准测试中表现优于同规模的其他模型。
Nanbeige/Nanbeige4.1-3B
已完整同步
Nanbeige4.1-3B 是基于 Nanbeige4-3B-Base 构建的轻量级推理模型，通过监督微调与强化学习进一步优化，在保持小参数规模的同时展现出强大的推理能力、偏好对齐效果和智能体行为。它能够通过单次前向传播完成复杂多步推理，并在代码、数学、科学等多项基准测试中超越同规模及部分更大模型。此外，Nanbeige4.1-3B 原生支持深度搜索任务，可稳定执行超过 500 轮工具调用，填补了小型模型在通用推理与智能体场景中兼顾不足的空白。
OmniConsistency 是一个大规模的多风格图像翻译数据集，包含了 22 种独特的艺术风格。每种风格都提供了对齐的图像对：原始图像（如照片或线稿）和对应的风格化图像，并附带描述该艺术风格的文本提示。该数据集适用于风格迁移、图像到图像生成、基于提示的条件生成以及一致性学习等任务。
AgentIF-OneDay 是一个专为评估通用 AI 代理在日常场景中指令跟随能力而设计的基准测试集。它包含 104 个真实感任务，覆盖工作、生活和学习三大领域，强调代理需要处理复杂附件、理解隐含指令并生成具体文件输出。任务类型包括开放工作流执行、潜在指令推断和迭代优化，每个任务均配有详细的评分标准与预期完成时间，适合用于全面衡量代理在多样化日常需求上的表现。
nari-labs/Dia-1.6B
已完整同步
Dia是一个拥有1.6B参数的文本到语音模型，能够直接从脚本生成高度逼真的对话。它支持通过音频条件控制情感和语调，还能输出笑声、咳嗽等非语言声音。目前仅支持英文生成。
OpenBuddy/R1-0528-Distill 是一个包含多种格式的数据集，主要采用 JSONL 格式，同时包含 Git 属性文件和 Markdown 文档。其内容涵盖结构化文本、纯文本以及二进制数据，适合用于语言模型的蒸馏训练或相关研究。
Mobile-R1 是一个面向移动端 GUI 代理的中文轨迹数据集，包含从用户指令到完整交互过程的记录。每个样本由应用名称、指令文本、系统提示和一系列操作步骤组成，步骤中保存了对应屏幕截图、模型推理、子任务描述以及具体的执行动作（如点击、滑动、输入、等待等），并标注了屏幕尺寸用于坐标对齐。该数据集可用于训练和评估多模态模型在真实手机界面上的任务理解与操作生成能力。
inclusionAI/Ring-2.5-1T
已完整同步
Ring-2.5-1T 是全球首个开源万亿参数思考模型，采用混合线性注意力架构。它在生成效率上通过高比例线性注意力机制，将超过32K token序列的内存访问开销降低10倍以上，生成吞吐量提升3倍多；在深度思考方面，借助密集奖励的RLVR训练，实现了IMO 2025和CMO 2025的金牌级推理水平；在长程任务执行上，经过大规模全异步智能体强化学习训练，可轻松适配Claude Code、OpenClaw等编程框架，支持复杂任务的长期自主执行。
xai-org/grok-1
已完整同步
Grok-1 是一个基于 Apache-2.0 许可证开源的文本生成模型，拥有 3140 亿参数。该模型提供了开放权重，适用于多 GPU 环境下的推理。由于参数量巨大，运行需要配备多块 GPU 的机器。
Qwen/QwQ-32B
已完整同步
QwQ-32B是Qwen系列中的推理模型，拥有32.5B参数，基于Transformer架构，支持最长131,072 tokens的上下文。它经过预训练、监督微调与强化学习，具备深度思考与推理能力，在复杂任务上表现优异，可对标业界领先的推理模型。
InfoSeek 是一个面向深度研究（Deep Research）任务的合成数据集，旨在解决需要多步推理、层次化分解和证据综合的复杂问题。数据集包含多个子集：完整的检索树结构（52K 样本），记录了从根问题到子问题的逐步展开过程；基于这些树生成的问答对；一个难度更高的 18K 子集，适合用于端到端强化学习；以及 17K 的推理轨迹，可用于监督微调。此外，还提供了一个 300 条的高难度评估集，包含短而可验证的答案，专门用于评估模型在深层搜索问答上的表现。整个数据集遵循 Apache-2.0 许可，语言为英文。
Spark-TTS 是一个基于大语言模型的高效文本转语音系统，专门用于生成自然、准确的语音。它完全构建在 Qwen2.5 之上，无需额外的流匹配等生成模型，而是直接通过 LLM 预测的代码重构音频，大幅简化了流程并提升了效率。系统支持中文和英文双语，具备零样本语音克隆能力，能够在不依赖特定训练数据的情况下复制说话人的声音，并实现跨语言和语码切换场景的无缝合成。此外，Spark-TTS 还支持可控语音生成，用户可以通过调整性别、音高、语速等参数来创建虚拟说话人，灵活性很强。
DeepAnalyze-8B 是一个面向自主数据科学领域的智能体大语言模型，能够无需人工干预自动完成数据准备、分析、建模、可视化和报告生成等一系列数据科学任务。它支持结构化数据（如数据库、CSV、Excel）、半结构化数据（如 JSON、XML、YAML）和非结构化数据（如 TXT、Markdown），并可生成分析师级的研究报告。该模型已完全开源，方便用户部署或扩展自己的数据分析助手。
该数据集包含约50万条数据科学指令，用于训练能够自主完成数据科学任务的大语言模型。内容覆盖数据准备、分析、建模、可视化和报告生成等完整流程，支持对结构化、半结构化和非结构化数据的研究分析。
DeepSeek-R1-0528 是 DeepSeek R1 模型的一次小版本升级，重点提升了推理深度和推理能力。通过增加计算资源并引入算法优化，该模型在数学、编程、通用逻辑等多项基准测试中表现出色，整体性能已接近 O3 和 Gemini 2.5 Pro 等领先模型。例如，在 AIME 2025 测试中，准确率从之前版本的 70% 提升至 87.5%，平均每道题使用的推理 token 从 12K 增加到 23K，体现了更深的思考过程。此外，新版本还降低了幻觉率，增强了函数调用支持，并优化了 vibe coding 体验。模型最大生成长度为 64K tokens。
MedAIBase/AntAngelMed
已完整同步
AntAngelMed 是当前最大的开源医疗语言模型，由浙江省卫健委、蚂蚁集团及浙江省安诊儿医学人工智能科技有限公司联合研发。它在 OpenAI 的 HealthBench 和中文权威评测 MedAIBench 上均取得领先成绩，尤其在 Hard 子集上表现突出。该模型采用高效 MoE 架构，总参数 100B 但仅激活 6.1B，推理速度可达 200 tokens/s 以上，同时支持 128K 上下文长度。通过医学语料持续预训练、高质量指令微调及 GRPO 强化学习，模型具备了深入的医学知识、严谨的诊断推理能力以及良好的安全伦理遵循。