Jeux de données pour LLM

Ce corpus se concentre sur le domaine financier, couvrant des sous-thèmes tels que les produits, les marchés, les comportements et les principes fondamentaux. Il comprend un total de 250 000 questions, réparties équitablement entre les QCM et les questions ouvertes (125 000 chacune). Stockées au format JSONL, ces données offrent une ressource riche et structurée pour la recherche académique, la formation spécialisée et le développement de compétences en finance.

Données de questions de test coréennes traitées de manière structurée, environ 1,5 million de questions. Chaque question contient le type de question, la question, la réponse, l'analyse, etc. Matières : école primaire (langue nationale, maths, anglais, sciences sociales, sciences naturelles), collège, lycée (différentes matières). Types de questions : choix multiple, remplissage, vrai/faux, réponse libre. Utilisable pour l'enrichissement des connaissances des LLM.

10 000 groupes de données Q/A pour diagrammes numériques : diagrammes linéaires, diagrammes à barres, diagrammes circulaires, diagrammes de dispersion, combinaisons, tableaux. Chaque image deux tours Q/A : un pour lire les valeurs, un pour le calcul.

Ce jeu de données comprend 32 millions de questions en mathématiques, physique, chimie et biologie, du niveau primaire à universitaire. Chaque question est annotée avec : énoncé, réponse, explication, type, matière et niveau. Cette ressource offre un socle massif pour l’enrichissement des compétences STEM des grands modèles.

Données textuelles de problèmes de programmation chinois traitées de manière structurée. Langues : C, C++, Python, Java, JavaScript. Chaque problème contient la question, la réponse, l'analyse, le champ de langue. Aide les modèles à développer des compétences en programmation.

L'ensembles de données textuelles pour le réglage fin par instruction de grands modèles linguistiques en anglais, les ressources d'entraînement spécialement conçues pour l'optimisation des modèles d'IA, améliorent considérablement la compréhension et la capacité d'exécution des instructions du modèle, et sont revérifiés par des experts linguistiques et des ingénieurs en IA, répondant parfaitement aux besoins de réglage fin des modèles pré-entraînés courants.

50 000 ensembles de données d’édition d’images, incluant la suppression, l’ajout, la modification et le remplacement d’objets. Les cibles concernent des personnes, animaux, produits, végétaux et paysages. Chaque modification est accompagnée d’une annotation précise : détourage, suppression, insertion ou remplacement. Ce corpus est adapté à la synthèse d’images, à l’enrichissement des données et à la génération de scènes virtuelles.

Ce corpus comprend 100 000 paires de prompts complexes rédigés en chinois, comportant entre 50 et 400 caractères chacun, avec au moins trois contraintes explicites par consigne. Conçu pour entraîner les modèles à suivre des instructions complexes, le jeu couvre quatre grandes catégories : la génération de texte (rédaction de communiqués, plans d’interview, création de contenus, révision, poésie, plans d’étude, rédaction administrative, etc.), la réécriture (paraphrase, correction, fusion de phrases, simplification), le résumé (synthèse de contenu), et l’extraction (éléments d’événement, opinions, mots-clés, entités, positionnement). Toutes les consignes ont été rédigées manuellement afin de garantir diversité et pertinence.

Ce jeu de données réunit 114 000 questions structurées issues de concours académiques, couvrant les mathématiques, la physique, la chimie et la biologie du primaire au secondaire. Chaque question inclut les champs : énoncé, réponse, explication, matière, niveau scolaire et type. Cette ressource vise à enrichir les connaissances disciplinaires des grands modèles et à soutenir leur développement cognitif global.