Datasets para LLM

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.

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.

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.

Conjunto com 200,000 textos multilíngues, incluindo francês, alemão, espanhol e italiano, com 50,000 textos por idioma. Abrangem mais de 200 categorias como arquitetura, animais, carros, alimentação, cinema, signos e cibersegurança. Recurso útil para aprendizado de idiomas e análise textual.

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.

10 milhões de questões de provas em inglês com estrutura de dados analisada e processada. Cada questão contém os campos: enunciado, resposta, explicação, disciplina, série e tipo de questão. Abrange todos os níveis de ensino, desde o fundamental até a universidade. As disciplinas incluem matemática, biologia, contabilidade, entre outras. Os dados são provenientes de sistemas educacionais dos EUA e Reino Unido e podem ser utilizados para o fortalecimento de conhecimento disciplinar em grandes modelos de linguagem.

114,000 questões de competição em chinês com estrutura organizada, cobrindo matemática, física, química e biologia nos níveis fundamental, médio e superior. Cada questão inclui enunciado, resposta, explicação, disciplina, série e tipo de pergunta. Indicadas para reforço acadêmico em grandes modelos.

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.

Dados de texto da plataforma japonesa de perguntas e respostas OKWAVE, incluindo perguntas, respostas, categorias, data de publicação, autores e outros campos. Os dados estão em atualização contínua; até o final de abril de 2025, havia 8,4 milhões de perguntas com 2,3 bilhões de caracteres, 27 milhões de respostas com 7,6 bilhões de caracteres, 15,5 milhões de agradecimentos (expressões de gratidão dos perguntadores aos respondentes) com 1,7 bilhão de caracteres, e 2,1 milhões de esclarecimentos adicionais com 360 milhões de caracteres. Esses dados podem ser usados para treinamento de modelos gerais de grande porte.