OpenDataLab

在构建国产大语言模型的道路上，高质量新闻是不可或缺的重要语料之一。这类语料集准确性、逻辑性、时效性于一体，同时包含丰富的事实知识，可以大幅提升模型的文本生成质量、词汇表达能力、事件理解分析能力以及时序

大型语言模型（LLM）已成为处理自然语言和汇聚世界知识的尖端技术，呈现了令人惊叹的自然语言理解和生成能力。然而，人类的语言远不止自然语言那么简单，特别是在科学研究领域，比如化学，存在着极其复杂且精确的

最近小编网上冲浪时，被腾讯 PCG ARC Lab 新开源的文本-视频数据集——MiraData 吸引了目光。 这个数据集有多新？Readme在一天前刚更新完的那种，而且数据集有一大特点，是专门为长视

最近因为 Sora 模型大火，带动了文生视频任务研究。有小伙伴“吭哧吭哧”上手后，到人工精标数据时迷茫了，不知道选什么视频-文本标注工具为好。 小编听了也急的发愁，远在天边，近在眼前，这么好用的视频标

近日，上海人工智能实验室（上海AI实验室）发布新一代高质量大模型预训练语料“万卷CC”（WanJuan-CC），首批开源的语料覆盖过去十年互联网上的公开内容，包含1千亿字符（100B token）

12月13日 周三19:00，“解数Talk”首场直播，将解读“蜜巢·花粉1.0”数据集和“国际仲裁法律、规则与实践”数据集。后续更多直播，敬请关注OpenDataLab。

近期，Google旗下的前沿人工智能企业DeepMind汇集了来自 22 种不同机器人类型的数据，创建了 Open X-Embodiment 数据集并开源了出来

当今，人工智能技术在医疗领域的应用日益广泛，其中医疗数据集起到了至关重要的作用。本文将介绍 20 个经典的医疗开源数据集，涵盖了各个部位、CT\MRI\内窥镜等多种模态数据，以帮助研究者们更好地探索

VIGC提出了一种新的多模态指令数据构造方式，可以基于无标注的图像自动生成多样性的高质量数据，且基于生成数据可以进一步提升当前模型的性能，可以作为指令数据获取及模型性能提升的新思路