项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整
数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 109
技术标签
核心亮点
- 聚焦数据定制自动化，直击多模态模型训练的数据瓶颈
- 结合 GRPO 等强化学习技术，提升数据筛选的智能性
- 提供评估基准，便于验证数据加工效果
不足之处
- 代码、权重和数据集尚未发布，实际可用性待验证
- 文档和社区支持目前几乎空白，上手门槛高
适用场景
- 多模态模型训练前的数据清洗与增强
- 视频生成领域的高质量数据采集与标注
- 具身智能或 GUI 智能体的交互数据构建
替代项目
DataComp、LAION-5B、RedPajama
上一篇：sekai-codebase
下一篇：SpatialVID
同类项目推荐
opendata
开源
一键获取美国国家美术馆海量艺术品数据，做研究做应用都方便
The National Gallery of Art Open Data Program
Awesome-Nano-Banana-images
开源
看别人用 Nano Banana 玩出什么花样，顺手下 15 万一致性数据
A curated collection of fun and creative examples generated with Nano Banana & Nano ···
game-datasets
开源
找游戏AI数据集，看这份精选清单就够了
:video_game: A curated list of awesome game datasets, and tools to artificial intell···
MELD
开源
拿《老友记》训练AI，学会在多模态对话中读懂情绪
MELD: A Multimodal Multi-Party Dataset for Emotion Recognition in Conversation
Koala-36M
开源
用3600万配对视频，让AI生成更听话的视频
Official implementation of the paper "Koala-36M: A Large-scale Video Dataset Improvi···
Tegridy-MIDI-Dataset
开源
一键获取高质量 MIDI 数据，加速音乐 AI 模型训练。
Tegridy MIDI Dataset for precise and effective Music AI models creation.
Nepali-Datasets
开源
尼泊尔语数据资源一页汇总，省去到处翻找的麻烦
A list of Nepali Dataset sources. (Hoping that it will encourage everyone to researc···
TextAtlas
开源
让AI生成带密集文字的海报、封面更靠谱，评测更标准。
[ICML 2026]A Large-scale Dataset for training and evaluating model's ability on Den···
datasets
开源
伊利诺伊大学精选数据集，Notebook 即开即用做实验
Various interesting datasets, mostly data from The University of Illinois