Jeux de données pour LLM

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.

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

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.

10 millions de données structurées de questions d'examen en anglais, comprenant pour chaque question les champs suivants : question, réponse, explication, matière, niveau scolaire et type de question. Les niveaux vont de l'école primaire au collège, lycée et jusqu'à l'université, couvrant des matières telles que les mathématiques, la biologie, la comptabilité, etc. Ces données, provenant du système éducatif anglo-américain, peuvent être utilisées pour enrichir les connaissances disciplinaires des grands modèles.

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.

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.

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.