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.

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.

Le nombre total de questions d'examen professionnelles est d'environ 10,15 millions, avec et sans analyse ; Chaque question de test contient des types de questions, des questions, des réponses et des analyses, et certaines questions de test ont des types de questions erronés. Les majors comprennent la construction de partis, le droit, l'ingénierie, les fonctionnaires, l'informatique, l'économie, les étudiants diplômés, la médecine, les langues, l'auto-examen, l'exhaustivité et l'application ; Les types de questions comprennent les questions à choix multiples, les questions à choix unique, les questions vrai ou faux, les questions à trous, les questions à réponse courte, les questions à développement, etc. Ces données peuvent être utilisées pour des tâches telles que l'entraînement de grands modèles de langage (LLM), chatgpt, etc

6,9 millions de textes de problèmes multidisciplinaires chinois, traités de manière structurée, de l'école primaire à l'université. Chaque problème contient la question, la réponse, l'analyse, le type de question, la matière, le niveau, etc. Pour l'enrichissement des connaissances des LLM.

Ce corpus comprend 1,3 milliard de questions d’examen en chinois couvrant tous les niveaux scolaires, de l’école primaire à l’université. Il se compose de 20,87 millions de questions K12 (dont 16 millions accompagnées d’explications) et de 117 millions de questions universitaires et professionnelles (dont 7 millions annotées). Les données K12 intègrent des métadonnées telles que la qualité, les points évalués, le type de contenu, le format des questions, le niveau d’enseignement, la difficulté, la classe, la matière, la source, la réponse et l’explication. Les questions de l’enseignement supérieur et professionnel comprennent les champs : réponse, explication et catégorie. Les matières du segment K12 incluent : chinois, mathématiques, anglais, histoire, géographie, sciences politiques, biologie, physique, chimie et sciences générales. Les domaines universitaires et professionnels couvrent notamment la sécurité publique, les concours administratifs, la médecine, les langues étrangères, l’éducation, le droit, l’économie, l’informatique, les certifications professionnelles et la finance. Les formats de question incluent : QCM, choix unique, vrai/faux et complétion. Ce jeu de données constitue une base précieuse pour renforcer les connaissances disciplinaires des grands modèles.