公共资源速递
5 个公共数据集：
-
HelpSteer3 人类偏好数据集
-
A-WetDri 恶劣天气驾驶数据集
-
NonverbalTTS 非语言音频生成数据集
-
STRIDE-QA-Mini 自动驾驶问答数据集
-
MathCaptcha10k 算数验证码图像数据集
5 个公共教程：
-
dots.ocr：多语言文档解析模型
-
MiniCPM-V4.0：极致高效的端侧大模型
-
llama.cpp+Open-WebUI 部署 gpt-oss-20b
-
llama.cpp+Open-WebUI 部署 gpt-oss-120b
-
vLLM+Open-WebUl 部署 Phi-4-mini-flash-reasoning
访问官网立即使用：openbayes.com
公共数据集
- HelpSteer3 人类偏好数据集
HelpSteer3 数据集包含 40,476 个偏好样本，每个样本包含领域、语言、上下文、2 个回复、以及 2 个回复之间的总体偏好评分和最多 3 位标注者的个人偏好评分，其包含了多语言数据（中文、韩文、法语、西班牙文、日本语、德语、俄语、葡萄牙语、意大利语、越南语、荷兰语）。
- 在线使用：
- A-WetDri 恶劣天气驾驶数据集
A-WetDri 数据集包含了 42,390 个样本，其中 19,344 个样本为模拟数据、23,046 个样本为现实世界数据，数据集涵盖 4 种环境场景（雨、雾、夜晚、雪、晴朗天气）、不同的物体类别（汽车、卡车汽车、自行车、摩托车、步行者、交通标志交通灯）。
- 在线使用：
数据集示例
- NonverbalTTS 非语言音频生成数据集
NonverbalTTS 数据集包含 17 小时的高质量语音数据，数据源自 2,296 名参与者（60% 男性，40% 女性），涵盖 10 种非语言语音类型（呼吸、笑声、叹息、打喷嚏、咳嗽、清嗓子、呻吟、咕哝、打鼾、吸气）、8 种情绪类别（愤怒、厌恶、恐惧、快乐、中性、悲伤、惊讶、其他）。
- 在线使用：
- STRIDE-QA-Mini 自动驾驶问答数据集
STRIDE-QA-Mini 数据集包含 103,220 个问答对及 5,539 张图像样本。数据源自东京收集的真实行车记录仪镜头（城市、郊区、高速公路、各种天气）。
- 在线使用：
- MathCaptcha10k 算数验证码图像数据集
MathCaptcha10K 数据集包含 10,000 个带标签样本和 11,766 个未标注文件样本，分辨率为 200×70 像素。每个带标签样本包含算数验证码图像，图像中的精确字符及其整数答案。
- 在线使用：
数据集示例
公共教程
1.dots.ocr：多语言文档解析模型
dots.ocr 基于 17 亿参数的视觉语言模型（VLM），能统一进行布局检测和内容识别，保持良好的阅读顺序。模型规模虽小，但性能达到业界领先水平（SOTA），在 OmniDocBench 等基准测试中表现优异，公式识别效果能与 Doubao-1.5 和 gemini2.5-pro 等更大规模模型相媲美，在小语种解析方面优势显著。该模型提供了简洁高效的架构，任务切换仅需更改输入提示词，推理速度快，适用多种文档解析场景。
- 在线运行：
项目示例
2. MiniCPM-V4.0：极致高效的端侧大模型
MiniCPM-V4.0 基于 SigLIP2-400M 和 MiniCPM4-3B 构建，总参数量为 4.1B。它继承了 MiniCPM-V2.6 强大的单图、多图和视频理解性能，效率大幅提升。面壁智能还同步开源了适用于 iPhone 和 iPad 的 iOS 应用。MiniCPM-V4.0 在 OpenCompass 评测中图像理解能力超越了 GPT-4.1-mini-20250414、Qwen2.5-VL-3B-Instruct 和 InternVL2.5-8B。
- 在线运行：
项目示例
- llama.cpp+Open-WebUI 部署 gpt-oss-20b
gpt-oss-20b 参数约为 21B，运行时仅需 16GB 内存，在常见基准测试里，其表现与 o3-mini 相当，这种轻量化设计使得它在边缘设备上也能轻松部署，无论是在本地推理，还是在对基础设施要求严苛的快速迭代场景中，都能发挥出色的效能。
- 在线运行：
项目示例
- llama.cpp+Open-WebUI 部署 gpt-oss-120b
gpt-oss-120b 拥有约 117B 参数，在核心推理基准测试中，其推理性能与 OpenAI 自家的 o4-mini 不相上下，且每个 token 仅启用 51 亿参数，便能在单个 80GB GPU 上实现高效运行，这一成果极大地优化了计算资源的利用效率。
- 在线运行：
项目示例
5. vLLM+Open WebUl 部署 Phi-4-mini-flash-reasoning
Phi-4-mini-flash-reasoning 基于合成数据构建，专注于高质量、密集推理数据，并进一步微调以获得更高级的数学推理能力。该模型属于 Phi-4 模型系列，支持 64K token 上下文长度，采用解码器-混合-解码器架构，结合注意力机制和状态空间模型（SSM），在推理效率方面表现出色。
- 在线运行：
项目示例
