dataset 第 3 页
本站收录 141 个带「dataset」标签的 AI 开源项目（按 GitHub 星标从高到低，第 3 / 3 页）
sodaverseSODA是一个用于构建大规模社交常识对话数据集的工具链，源自EMNLP 2023论文。它解决的核心问题是：现有对话数据集缺乏社交常识背景，导致模型生成的回复不够★ 245
starwhaleStarwhale 是一个面向机器学习与大型语言模型（LLM）的 MLOps/LLMOps 平台，旨在解决模型开发、评估、部署和运维全生命周期中的工程化问题。它★ 235
OpenS2V-NexusOpenS2V-Nexus 是 NeurIPS 2025 D&B 收录的百万级主体到视频生成（Subject-to-Video）基准与数据集项目。它解决当前视频★ 232
duddud 是一个用 Go 编写的轻量级命令行工具，旨在将数据版本管理与源代码版本控制（如 Git）相结合，并支持构建数据管道。它解决了数据科学家和工程师在项目中追★ 220
Persian-tts-coquiPersian-tts-coqui 是一个面向波斯语/法尔西语的开源文本转语音（TTS）训练项目，基于 Coqui TTS 框架构建。它解决了波斯语语音合成领域★ 218
ChronoMagic-BenchChronoMagic-Bench 是一个用于评估文生视频模型在时间延展与形态变化能力的基准测试集，由 NeurIPS 2024 D&B Spotlight 收★ 214
InterActInterAct 是 CVPR 2025 收录的开源项目，专注于大规模、多样化的 3D 人体-物体交互（HOI）生成。它解决的是现有数据集规模小、交互类型单一、★ 213
IEPileIEPile是一个大规模信息抽取语料库，由浙江大学等机构在ACL 2024发布。它收集并清洗了来自多个公开数据源的约2000万条信息抽取样本，覆盖实体识别、关系★ 213
wildlife-datasetsWildlifeDatasets 是一个面向动物个体重识别（animal re-identification）的开源工具包与数据集集合，主要服务于生态学、保护生★ 212
CompBioDatasetsForMachineLearning这是一个面向计算生物学与生物医学机器学习的数据集索引清单，把散落在论文、数据库和竞赛平台中的可用数据集整理成结构化列表，解决研究者找数据难、格式不统一、不知道哪★ 209
UHGEvalUHGEval 是一个面向大语言模型幻觉评估的用户友好型框架，由 ACL 2024 论文提出。它旨在解决 LLM 在实际应用中生成不忠实或虚假内容的问题，通过提★ 184
Shot2StoryShot2Story 是一个面向多镜头视频理解的新基准数据集和评测工具。它解决了现有视频理解基准仅提供单一全局描述、缺乏细粒度镜头级信息的问题，提供了包含完整视★ 181
xFinderxFinder是一个用于大语言模型评估的自动化评测框架，核心思路是让LLM本身充当评估器，以替代传统的人工评估或基于规则的方法。它解决了LLM输出评估中可靠性不★ 178
whylogs-javawhylogs-java 是 whylogs 的 Java 实现，用于对机器学习数据管道进行端到端的画像（profiling）和监控。它解决的是 ML 数据质量★ 177
cv-datasetcv-dataset 是 Mozilla Common Voice 语音数据集的元数据与版本管理仓库，用 JavaScript 维护每轮发布的数据清单、校验信息★ 177
coircoir 是一个面向代码信息检索（Code Information Retrieval）的综合基准测试集，发表于 ACL 2025 Main。它旨在解决现有代码★ 156
spacespace 是一个面向机器学习全生命周期的统一存储框架，旨在解决 ML 项目中数据、模型、实验产物等分散存储、难以统一管理的问题。它提供了一套统一的接口和抽象层★ 156
awesome-object-detection-datasets这是一个精选公共目标检测与识别数据集的资源列表，旨在帮助研究者和开发者快速找到适合自己任务的数据集。项目按类别整理了数十个公开数据集，涵盖通用目标检测、行人检测★ 145
conversation-tensorflowconversation-tensorflow 是一个基于 TensorFlow 实现的对话模型项目，主要聚焦于使用 seq2seq 架构构建聊天机器人。它解决★ 142
Know-Your-IntentKnow-Your-Intent 是一个基于语义哈希（Semantic Hashing）的意图分类开源项目，专注于对话系统中的意图识别任务。它针对 AskUbu★ 134
Awesome-TCM-LLMAwesome-TCM-LLM 是一个面向中医垂直领域的大模型资源合集，系统整理了开源中医大模型、训练与评测数据集、行业新闻以及相关专利信息。它解决的是中医 A★ 123
ARC-Interactive-History-DatasetARC-Interactive-History-Dataset 是围绕 ARC（Abstraction and Reasoning Corpus）任务采集的人类★ 118
ChatGirlChatGirl 是一个基于 TensorFlow Seq2Seq 模型的聊天机器人项目，旨在通过序列到序列学习实现开放域对话。项目解决了从零构建聊天机器人的工★ 116
synergy-datasetsynergy-dataset 是面向系统综述（systematic review）研究流程的开放机器学习数据集，聚焦于文献筛选（study selection★ 115
Speech-Corpus-CollectionSpeech-Corpus-Collection 是一个收集语音语料库的仓库，旨在为语音识别（ASR）和语音合成（TTS）研究提供一站式资源索引。它整理了多种公★ 114
OakInk2OakInk2 是一个用于双手-物体操作研究的3D数据集，由 CVPR 2024 发布。它记录了人类在复杂任务完成过程中的双手和物体交互，包含精细的3D手部网格★ 112
sexting-datasetsexting-dataset 是一个从互联网公开资源抓取的色情对话数据集，主要面向聊天机器人、对话系统和自然语言处理研究。项目以 Shell 脚本实现数据采集★ 106
free-llm-api-hubfree-llm-api-hub 是一个持续校验的免费及试用额度 LLM API 数据集，面向需要低成本调用大模型的开发者。它解决的核心问题是：网上免费 API★ 105
ReVidgenReVidgen 是一个面向具身智能世界的视频生成模型基准与评估工具包，由 ICML 2026 论文提出。它重新思考了视频生成模型在机器人、自动驾驶等具身场景中★ 101
OkapiOkapi 是一个面向多语言场景的指令微调大语言模型项目，核心解决非英语语言（如中文、西班牙语、印地语等）在指令跟随和对话质量上表现不足的问题。项目基于 LLa★ 96
TTS-recipesTTS-recipes 是一个面向不同数据集的文本转语音（TTS）训练配方集合，基于 Coqui AI 生态构建。它解决了 TTS 模型训练中数据准备和配置繁琐★ 89
ocr-vqganOCR-VQGAN 是一个面向论文图表（figure images）的离散图像编码器，包含 tokenizer 和 detokenizer，专门用于 Paper★ 86
FDAbenchFDABench 是一个用于评估数据智能体（Data Agents）在异构数据上执行分析查询能力的基准测试平台，源自 KDD'26 论文。它解决的核心问题是：当★ 84
Workspace-BenchWorkspace-Bench 是一个用于评测自我进化智能体在真实大规模文件工作空间中表现的基准测试平台。它解决了现有智能体评测多局限于单一任务或简单环境、难以★ 81
caselaw-repo-1caselaw-repo-1 是一个开源的瑞士法律语料库与 MCP 服务器，提供超过 100 万份法院判决（覆盖 1875 年至今）、2.1 万部法律条文、包含★ 74
Kokoro-Speech-DatasetKokoro-Speech-Dataset 是一个公开领域的单说话人日语语音数据集，旨在为文本转语音（TTS）等语音合成任务提供高质量、可自由使用的训练数据。它★ 74
SynParaSpeechSynParaSpeech 是 ICASSP 2026 论文的官方开源仓库，专注于自动合成副语言（paralinguistic）数据集，用于语音生成和理解任务。★ 72
sd-tagtoolsd-tagtool 是一个面向 Stable Diffusion 训练数据集管理的标签编辑器。它主要解决训练数据集中标签混乱、缺失或格式不一致的问题，帮助用户★ 71
DataGenDataGen 是一个基于大型语言模型（LLM）的统一合成数据集生成框架，相关论文已被 ICLR 2025 接收。它旨在解决真实数据获取成本高、隐私受限以及特定★ 69
DataClaw0DataClaw 是一个面向多模态数据智能处理的开源项目，核心目标是解决原始数据流到高质量训练数据的自动化加工问题。它通过 Agentic 方式，结合视觉语言模★ 62
jsut-labjsut-lab 是一个为日语语音合成数据集 JSUT v1.1 提供 HTS 风格全上下文标签（full-context labels）的开源项目。它解决了语★ 51