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.

Conjunto de dados de correção de texto em quatro principais idiomas europeus Foco em francês, alemão, espanhol e italiano. Contém 480,000 pares de textos originais e corrigidos. Cada entrada é apresentada em formato JSON, com os campos input (texto original) e output (texto corrigido). Pode ser usado para tarefas de processamento de linguagem natural, tradução automática e ensino de línguas.

100,000 pares de dados de perguntas sobre imagens de slides PPT. Incluem imagens e anotações de perguntas e respostas. Os tipos de slide cobertos são: diagramas de arquitetura, gráficos numéricos, fluxogramas e ilustrações. Esse conjunto de dados pode ser usado em tarefas de inteligência documental.

100,000 pares de descrições de ícones (3D e vetoriais), em 17 subcategorias. As descrições estão em chinês, com cerca de 30 caracteres cada. Indicadas para tarefas de reconhecimento gráfico e design de interface.

1 milhão de pares de imagens e descrições. Os tipos de imagens abrangem paisagens, animais, flores e árvores, pessoas, carros, esportes, indústria e arquitetura, além de um subconjunto com foco estético. As descrições abordam o cenário geral da imagem, detalhes da cena e emoções expressas pela imagem, escritas em inglês e chinês.