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.

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.

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.

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.

68750 grupos no total, dos quais 62500 grupos para edição baseada em conhecimento e 6250 grupos para edição baseada em regras físicas. As imagens abrangem uma ampla variedade de cenários e categorias. Na anotação, a imagem original é editada de acordo com as instruções do documento para gerar uma imagem de resultado. Para a maioria das categorias, o processo também envolve etapas de raciocínio. A precisão de correspondência entre imagem e conteúdo textual é de pelo menos 95%. Os dados podem ser utilizados para tarefas como geração de cenas virtuais, síntese de imagens e aumento de dados.

12.500 conjuntos de dados de edição de imagem (edição de cena), sendo 2.500 conjuntos para ajuste de sombras, 2.500 para ajuste de iluminação, 2.500 para adição/remoção de objetos reflexivos, 2.500 para correção de exposição e 2.500 para filtros de efeito. As imagens abrangem diversas cenas, categorias, condições climáticas e períodos do dia. A precisão de correspondência entre imagem e conteúdo textual é de no mínimo 95%. Os dados podem ser utilizados para tarefas como síntese de imagens e geração de cenas virtuais.

130 milhões de questões textuais do ensino fundamental ao superior em chinês. O total de questões do ensino básico (K12) é de 20,87 milhões (sendo 16 milhões com explicações), enquanto o total de questões do ensino superior e profissional é de 117 milhões (sendo 7 milhões com explicações). As questões K12 incluem campos como nível de qualidade, pontos de conhecimento, tipo de conteúdo, formato da questão, grau de ensino, dificuldade, série, disciplina, fonte da questão, respostas e explicações. As questões universitárias e profissionais incluem campos como respostas, explicações e categorias. Os níveis K12 abrangem ensino fundamental, médio e secundário; as disciplinas incluem língua chinesa, matemática, inglês, história, geografia, política, biologia, física, química e ciências. As questões universitárias e profissionais abrangem áreas como segurança pública, concursos públicos, medicina, línguas estrangeiras, educação, engenharia, direito, economia, profissões, informática, certificações e finanças. Os tipos de questões incluem múltipla escolha, escolha única, verdadeiro/falso e preenchimento. Esses dados podem ser usados para aprimorar o conhecimento disciplinar de grandes modelos.

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.