#数据集

共 5 篇相关文章

开发者在Hugging Face开源56亿条TikTok视频元数据，涵盖2014至2026年，包含创作者、视频与声音三张表，并提供ClickHouse在线查询。本文解析其数据结构、访问方式及合规隐私风险。

构建生产级PPE安全装备检测系统，数据集采购是关键门槛。本文解析安全帽、反光背心等六类PPE数据集的质量要求、主流采购渠道（Scale AI、Appen、Dataloop等）以及自采外包与购买现成数据的权衡策略。

TutlAit v1 是一个众包构建的摩洛哥塔马齐格特语语音数据集，包含约20.9小时音频、阿拉伯语转写和地区口音标签，可用于语音识别、语音翻译和口音识别，为低资源语言技术提供基础素材。

PAWS是一个政策驱动的金融多智能体仿真数据集，覆盖36个美国金融政策事件、12,727条新闻和65,291个有来源支撑的行为，为可审计的政策响应仿真提供历史依据。

伊利诺伊大学推出开源语料库 ISAAC，收录超 5.27 亿条 Reddit 帖子，覆盖 2007-2023 年六大社会群体维度，提供道德化、情感、地区等多维标注，支持无代码和编程访问，助力大规模社会话语研究的可复现分析。