北京公共数据开放平台-连环夺宝

涵盖网络问答对数据，包括知识问答、常识问答、娱乐新闻问答等主题，培养模型对问题的深刻理解和准确回答的能力

医疗影像是通过医疗系统内成像设备（ct、核磁等）拍摄，形成患者dicom格式影像数据，同时医生出具报告，形成“诊断报告 影像”交付患者，用于患者保存、异地会诊、院内科室会诊等。

有关美食的摄影图像数据，包含高清图片、说明、标签等

包括国家部委、地方政府等的政策文件、政策研究报告、政策解读文章和政策问答数据

根据核苷酸和蛋白质序列获取到相似序列，以及相关专利、期刊文献和生物公共库中的公开信息；可帮助研发和ip人员进行序列创新信息检索，了解项目是否有侵权风险，并可以快速获取当前市场的战略布局，监控市场动态

面向对话大模型的高质量、多类型指令数据集，包括但不限于单轮对话、多轮对话、个性化指令、上下文理解指令和推理思维链等

该数据集包含全国各地区政策、新闻、财税类知识、问答等信息

文本内容涵盖80多个学科领域，进行了准确的标签分类和严格的内容清洗。

该数据集是一个上千万轮的双人对话的高质量工程化数据集，覆盖金融、教育、客服等行业和场景，用于大模型的训练和调优。

真实场景对话采集，高度还原真实场景的模拟对话。兼顾分布的代表性、多样性和样本规模。

来自世界10多个国家的20万小时音频文本，主要包含中、英、维、藏等国内重点安防关注领域；

来自世界主要国家2200余个官方信源、经过翻译审校的全球科技前沿信息。

面向全球企业、产业链、创新技术、防务目标的高质量知识数据，涵盖多语种对齐，实体数量高达5亿，三元组数量近100亿

4000w句智能座舱场景高质量人机交互数据，涵盖座舱场景内各种交互形式。

包含中医学领域知识信息，包括中医疾病诊断方法、治疗方案、中医药品、方剂、中医操作、古籍文献等内容。

涵盖956场真实会议场景，多人多轮次对话音频数据集，可应用于语音对话与听觉大模型的研究。

"全国信息化、数字化建设项目公开信息数据。同时，对文本进行了清洗，形成了结构化字段。 字段：包括建设单位、项目名称、预算、供应商、建设内容等"

主流电商商品信息数据

全国、省、市、区县宏观经济数据、产业发展指标数据、产业链指标数据

涵盖17种方言口语，自然表达的音频数据集，可应用于语音对话与听觉大模型的研究。