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.

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.

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.

Ensemble de données axé sur quatre langues européennes principales (français, allemand, espagnol, italien), 480 000 paires de texte original/texte corrigé. Chaque ensemble de données au format JSON avec les champs "input" (original) et "output" (corrigé). Pour TAL, traduction automatique, enseignement des langues.

12 500 ensembles de données d'édition d'images (édition de scènes), comprenant 2 500 ensembles pour le réglage des ombres, 2 500 pour le réglage de la lumière, 2 500 pour l'ajout/la suppression d'objets réfléchissants, 2 500 pour la correction d'exposition et 2 500 pour les filtres d'effets spéciaux. Les images couvrent une grande variété de scènes, de catégories, de conditions météorologiques et de moments de la journée. La précision de correspondance entre l'image et le contenu textuel est d'au moins 95 %. Les données peuvent être utilisées pour des tâches telles que la synthèse d'images et la génération de scènes virtuelles.

68750 groupes au total, dont 62 500 pour l’édition basée sur la connaissance et 6 250 pour l’édition basée sur les règles physiques. Les images couvrent une grande variété de scènes et de catégories. Pour l’annotation, l’image originale est éditée conformément aux instructions du document afin de générer une image résultante ; pour la plupart des catégories, le processus inclut également une étape de raisonnement. La précision de la correspondance entre l’image et le contenu textuel est d’au moins 95 %. Les données peuvent être utilisées pour des tâches telles que la génération de scènes virtuelles, la synthèse d’images et l’augmentation de données.

Les données de casse-tête de devinage, y compris plus de 100 000 données de devinage et plus de 3 000 données de casse-tête, peuvent être utilisées dans de multiples scénarios d'application tels que l'entraînement de grands modèles et les assistants de téléphonie mobile.

Ce corpus comprend 200 000 textes multilingues répartis équitablement entre le français, l’allemand, l’espagnol et l’italien (50 000 entrées par langue). Il couvre plus de 200 thématiques variées, dont l’architecture, les animaux, l’automobile, la restauration, le cinéma, l’astrologie et la cybersécurité. Cette ressource constitue une base solide pour l’apprentissage linguistique multilingue et l’analyse sémantique à grande échelle.