澳鹏最新数据集

澳鹏根据市场需求，定期推出新数据集，为您的AI项目快速启动提供助力。

澳鹏最新数据集

我们的高质量数据集可帮助您快速启动AI项目

澳鹏提供250余个成品数据集，其中包括11,000多小时的音频、25,000多幅图像和超过870万字/词，涵盖80种语言和多种方言。我们成品数据集旨在有效提高准确性和整体性能，并为特定的AI项目需求快速提供大规模的高质量数据集。我们的产品涵盖多种数据类型的数据，包括图像、视频、语音、音频和文本。我们也在不断构建新的数据集，以满足我们全球客户群的需求。

查看澳鹏成品数据集列表

大语言模型数据集

针对大语言模型的基础模型训练、模型微调、以及应用落地需求，澳鹏提供超过290+种语言和方言的相关文本、语音数据库，并创建了一系列LLM专用的数据集。同时，我们也有LLM全链路服务及大模型开发平台，帮助企业轻松拥抱大模型。如有需求，请咨询我们的专家。

LLM双人中文对话语料

LLM中文对话语料数据集，话题包括日常对话、科技、体育、以及医疗等，支持您的中文大语言模型微调需求。

知识类百科文本语料对

中文知识类百科文本预料对涵盖了多方面的中文环境的知识、常识、以及事实说明，支持多种基础模型的中文微调。

法律问答数据集

中文法律问答数据集汇合了26000对法律类的问答数据，内容全面、涵盖法学的主要话题，支持法律方面微调需求。

医疗问答数据集

中文医疗问答数据集包括226000对医疗相关知识语料对，涵盖常见的医疗常识、中文医疗用语等，支持大语言模型的医疗问答微调。

学科类数据集

澳鹏提供一系列教育、办公类的多学科、多方面数据集，包括表格类数据、公式类数据、学术论文、专业杂志等文件的照片、扫描件以及手写体的OCR数据。以下是一些案例，如有兴趣请联系我们获取数据集列表及样例。

小学英语作文OCR学科数据集

本数据集涵盖超过700份小学生英语作文手写资料，充分考虑到照片光线、不同字体、书写习惯等多方面因素。

初中生物OCR学科数据集

本数据集涵盖超过6000份初中生物教辅材料题目，并包括不同拍摄光线、摆放角度、单双页等数据。

高中化学OCR学科数据集

本数据集涵盖高中化学教辅资料，覆盖十多份不同教辅资料，且均为高中化学解答题的手写资料，充分保证了数据的多样性。

行业书籍杂志OCR数据集

本数据集涵盖超过七千张行业书籍杂志的图像OCR数据，包括多专业、多类别的话题，以及表格数据。数据场景包括文档拍照（纸质文档、电子文档）、文档扫描件、电子文档原件图像或截图。

教育教辅综合OCR数据集

本数据集涵盖超过一万张教育教辅材料的图像OCR数据，包括多专业、多类别的话题，以及表格数据。数据场景包括文档拍照（纸质文档、电子文档）、文档扫描件、电子文档原件图像或截图。

公开财务报表OCR数据集

本数据集涵盖近千份公开财务报表数据，以常规表格数据为主，具体分为有线表、少线表和无线表。通用表格场景为文档拍照（纸质文档、电子文档）、文档扫描件、电子文档原件图像或截图。

小语种数据集

澳鹏提供全球59个国家的62种语言的249个成品数据集，包括文本、音频、OCR图像以及视频数据。以下列出一些较为经典的语言类别。关于我们能力涵盖的语言，请查看澳鹏语言能力列表。联系我们获得小语种数据集列表以及样例。

澳鹏的阿拉伯语资源丰富，包括阿拉伯语在阿尔及利亚、阿拉伯联合酋长国、埃及、沙特阿拉伯、摩洛哥和突尼斯的发音词典，对话语料库，可以针对相关国家口音进行全面训练。

澳鹏的德语资源包括发音词典、麦克风录音、电话录音语料库、自由说语音库、以及OCR图片数据库，涵盖德国、卢森堡、瑞士以及土耳其四个国家的德语数据，支持针对地区口音进行训练。

澳鹏的法语资源包括法国、加拿大、卢森堡、比利时和阿尔及利亚五个国家的不同口音的数据集，包括发音词典、词性词典、电话录音、反向文本规范化、自由说语音数据库以及OCR图片数据。

澳鹏的俄语数据集包含发音词典、词性词典、自由说语音数据集、NER语料库、麦克风和电话录音、新闻文本NER、以及女声TTS数据集，支持AI对俄语的本地化。

澳鹏的西班牙语资源涵盖西班牙以及美洲的七个国家（阿根廷、哥伦比亚、美国、秘鲁、委内瑞拉和智利）的不同口音资源，包括发音词典、麦克风/电话录音数据、自由说长语音、以及OCR图片数据。

澳鹏的葡萄牙语资源包括葡萄牙、欧洲以及巴西的多种口音的发音词典、词性词典、电话和麦克风录音、以及图片OCR数据集，支持对葡萄牙和巴西的单独训练和优化。

澳鹏的荷兰语资源包括荷兰和比利时两个国家的不同口音数据集、发音词典、电话录音、麦克风录音数据集，支持对荷兰和比利时的口音进行训练。

澳鹏的日语资源全面，包括词性词典、发音词典、麦克风录音、多人商务/日常对话录音、NER语料库、OCR发票数据集等，支持AI对日本的本地化。

数据采集服务

如果您的特定用例需要更为定制化的数据集，我们的数据采集服务可单独提供，也可作为多个交付成果的一部分提供，例如ASR语音数据库，该数据库通常包括音频数据、转录、发音词典和特定语言的文档或带标注的图像数据集。我们的数据采集服务涵盖各种环境的各种数据类型和采集方法，满足您针对特定场景的数据需求。

了解澳鹏数据采集服务

最新资讯和资源

大模型成品数据集：百科、法律、医疗等多领域数据

关于防范冒用澳鹏名称和商标标识进行诈骗的声明

人工智能中的数据标注

什么是人工智能中的数据标注？类型，方法，工具

权威认可 | 澳鹏荣获上海市“专精特新”企业称号

test dataset

案例 | 大模型工程化落地，足够细分的优质数据是关键

聚焦 | 澳鹏中国大模型智能开发平台4大优势

什么是大模型微调？微调的分类、方法、和步骤

行业洞察 | 大模型+医疗，优质数据助力新生态建立

深度 | AI数据标注迈入自动化时代，26年老兵掘金全球智能汽车市场

什么是生成式AI？和之前的人工智能有什么区别？

大语言模型评估：人类反馈评估帮助大模型提升性能

多轮对话智能标注工具 | 澳鹏数据标注平台

澳鹏 & Knockri ：利用 AI 进行道德的招聘

LLM大模型标注解决方案：多轮对话智能反馈产品

查看更多资源