Datasets para LLM

Este conjunto de dados foca na área financeira, com 250,000 questões subdivididas em produtos, mercado, comportamento e princípios. São 125,000 questões de múltipla escolha e 125,000 questões discursivas. Os dados estão em formato JSONL, servindo como recurso para estudos e pesquisas sobre conhecimento financeiro.

Dados de Análise Estruturada de Exercícios K12 em Coreano, contêm cerca de 1,5 milhões de questões. Cada entrada inclui o tipo de questão, enunciado, resposta e solução explicativa. Abrangem disciplinas do ensino Primário (Língua Coreana, Matemática, Inglês, Estudos Sociais, Ciências), Secundário Básico (Língua Coreana, Inglês, Matemática, Ciências, Estudos Sociais) e Secundário (Língua Coreana, Inglês, Matemática, Física, Química, Biologia, História, Geografia). Os formatos de questões incluem escolha múltipla, preenchimento de lacunas, verdadeiro/falso e respostas dissertativas. Estes dados podem ser aplicados em tarefas como aprimoramento de conhecimento académico em grande modelo linguístico.

50,000 conjuntos de dados de edição de imagem. Tipos de edição: remover, adicionar, modificar ou substituir objetos (pessoas, animais, produtos, plantas, paisagens). As anotações incluem recorte do alvo e a ação realizada. Indicadas para síntese de imagem e geração de cenários virtuais.

32 milhões de questões de ciências exatas e engenharia: abrangendo matemática, física, química, biologia nos níveis fundamental, médio, superior e universitário. Cada questão inclui enunciado, resposta, explicação, tipo, disciplina e nível. Indicadas para reforçar conhecimento acadêmico em grandes modelos.

1 milhão de questões de programação em chinês (C, C++, Python, Java, JavaScript). Cada questão contém enunciado, resposta, explicação e linguagem. Indicadas para treinar habilidades de programação em modelos.

Vídeos de 25,000 pessoas em múltiplos estilos e cenários, pele branca, amarela, marrom ou preta, idades jovem, adulto ou idoso. Resolução mínima 1920×1080, duração ≥10 segundos. Indicados para geração de vídeo realista de pessoas.

6,9 milhões de questões multidisciplinares em chinês, cobrindo vários níveis de ensino. Cada item inclui enunciado, resposta, explicação, tipo, disciplina e nível. Indicadas para reforço acadêmico em modelos de linguagem.

20,011 imagens de cenas naturais com descrições para OCR, cobrindo línguas asiáticas e europeias, totalizando 14 idiomas. Os cenários de coleta incluem letreiros de lojas, placas de estação, pôsteres, placas de trânsito, entre outros, capturados de vários ângulos. As descrições, em inglês, tratam do layout dos textos, conteúdo textual, cores e outras informações.

20,846 conjuntos de dados com descrições de receitas em imagem e texto. Cada conjunto inclui de 4 a 18 fotos, com uma descrição textual correspondente para cada imagem. As receitas abrangem diferentes cozinhas, como chinesa, ocidental, coreana e japonesa. As descrições estão em chinês e inglês. Em termos de comprimento, as descrições em chinês têm no mínimo 15 caracteres, e as em inglês, no mínimo 30 palavras. Esses dados são úteis para recomendações de receitas, educação culinária e outras aplicações relacionadas.