Awesome-Scientific-Datasets-and-LLMs

这是一个精选的资源合集，专注于收集、整理和索引与科学数据集及大型语言模型相关的学术论文、数据集和其他资源。合集覆盖了多个科学领域（如化学、物理、多组学、医学等），并参考了相关的综述论文进行组织，旨在为研究人员提供全面的数据集和模型资源索引。This is a curated resource collection dedicated to collecting, organizing, and indexing academic papers, datasets, and other relevant materials related to scientific datasets and large language models. Spanning multiple scientific disciplines such as chemistry, physics, multi-omics, medicine, and others, this collection is structured with reference to relevant review papers, aiming to provide researchers with a comprehensive index of datasets and model-related resources.

原始信息汇总

数据集详情总结：Awesome-Scientific-Datasets-and-LLMs

该页面是一个关于科学数据集与大型语言模型（Sci-LLMs） 的资源合集，旨在为科研人员提供系统性的数据集、模型和论文索引。

内容概览

该合集围绕科学领域的大语言模型，组织为三个主要部分：

1. 科学预训练、SFT、推理与智能体数据集（🧪 Scientific Pretraining, SFT, Reasoning, and Agent Datasets）

按学科细分，收录了多个高质量数据集，涵盖生命科学、化学、物理、天文学、材料科学、地球科学和通用科学。以生命科学子集为例，包含以下代表性数据集：

• MIRAGE（农业，VQA，2025.06，37,512条）
• CROP（农业，文本QA，2024.09，211,909条，中英双语）
• ToT‑Biology（通用生物学，文本QA+CoT，2025.01，23,000条）
• Open-PMC-18M（医疗健康，图像-文本，2025.06，25,000,000条）
• GMAI-VL-5.5M（医疗健康，多模态VQA，2024.11，5.5M条）
• MedTrinity-25M（医疗健康，图像-文本/VQA，2024.08，25,000,000条）

每个数据集表格均列明了领域、模态、用途、类型、发布年份、语言、来源、标注方式、标注工具、规模等关键属性。

2. 科学评估数据集（📝 Scientific Evaluation Datasets）

同样按生命科学、化学、物理等学科分类，提供用于评测科学LLM性能的标准数据集。

3. 科学模型（🤖 Scientific Models）

收录了多个科学领域的专用大语言模型，包括通用型、物理、化学、材料科学、生命科学、天文学、地球科学等方向。

相关资源

• 配套论文：A Survey of Scientific Large Language Models: From Data Foundations to Agent Frontiers
• 姊妹项目：Awesome-Agent-Scientists（聚焦AI智能体在科学研究中的进展）

发展趋势图示

页面通过三张图表展示了领域发展态势：

• 科学LLM出版物趋势（2018-2025）：arXiv和PubMed上提及“language model”的论文数量快速增长
• Sci-LLMs发展范式（2018-2025）：从迁移学习→扩展时代的知识整合→指令跟随→自主科研智能体四个范式
• Sci-LLMs时间线（2019-2025）：按六个科学领域分类，展示了代表性模型的时间分布

引用与联系方式

• 使用该资源请引用论文：@article{hu2025survey, ...}
• 联系方式：[e-mail]
• CC邮箱：[e-mail], [e-mail]

搜集汇总

数据集介绍

构建方式

该数据集以综述论文《A Survey of Scientific Large Language Models: From Data Foundations to Agent Frontiers》为骨架，系统性地梳理并汇集了科学领域与大语言模型相关的论文、数据集及资源。构建过程遵循科学分类原则，依据生命科学、化学、物理学、天文学、材料科学、地球科学及通用科学七大领域，对数据集进行精细归类。每个数据集条目均详细标注了其所属领域、模态类型、用途（如预训练、指令微调、推理或智能体）、来源、标注方式、规模等元信息，形成了一个结构清晰、信息完备的知识图谱。

特点

此数据集的特点在于其高度的组织性与时效性，它不仅是一个简单的资源列表，更是一个动态演化的科学LLM发展全景图。通过时间线图与范式演进图，直观展示了从2018年至2025年间科学大语言模型的四次范式迁移，涵盖了从迁移学习到科学智能体的完整发展脉络。此外，数据集中还包含了来自arXiv、PubMed等多个预印本平台的出版趋势分析，揭示了该领域自2020年以来的爆发式增长态势，为研究者提供了宏观的领域洞察。

使用方法

使用者可通过GitHub仓库的目录结构快速定位至特定科学领域的数据集列表。每个数据集条目均提供了直接的链接（如Hugging Face或论文地址），便于直接访问与下载。对于希望深入研究的学者，该数据集还提供了引用格式与相关调查论文的链接，可作为文献综述的起点。此外，仓库中嵌入的趋势图与时间线图，可用于辅助理解领域发展脉络，指导研究方向的选择。

背景与挑战

背景概述

在人工智能与科学深度融合的时代浪潮中，大型语言模型（LLMs）正逐步从通用领域向科学研究渗透，催生了科学大型语言模型（Sci-LLMs）这一前沿方向。Awesome-Scientific-Datasets-and-LLMs 数据集由胡明等研究人员于2025年创建，依托上海人工智能实验室等机构，旨在系统梳理涵盖生命科学、化学、物理学、天文学、材料科学与地球科学等六大领域的科学数据集与LLM资源。该数据集的核心研究问题在于如何构建高质量、多模态、跨学科的科学数据基础设施，以支撑Sci-LLMs从预训练到智能体（Agent）的全链路发展。作为领域内首个综合性资源导航，它已成为推动科学智能研究的重要基石，其影响力体现在对数据驱动型科学发现范式的引导与加速上。

当前挑战

该数据集所应对的领域挑战在于科学知识的高度专业性与复杂性，使得通用LLM难以直接迁移至特定学科任务，如分子结构预测、天文光谱分析或临床诊断推理。构建过程中面临多重困难：首先，科学数据来源分散，涉及学术论文、临床记录、实验报告等多种异构格式，需耗费大量人力进行标准化与清洗；其次，数据标注依赖领域专家，如医学影像的病灶注释或化学反应的机理描述，成本高昂且难以规模化；再者，多模态数据（如CT影像与文本报告）的对齐与融合在技术上极具挑战，现有自动标注工具（如GPT-4）在科学精度上仍存在偏差；最后，跨学科数据的整合缺乏统一本体，导致数据集的可复用性与可扩展性受限。

常用场景

经典使用场景

该数据集汇聚了面向科学领域的大语言模型（Sci-LLMs）从预训练、监督微调、推理到智能体构建所需的多样化数据资源，覆盖生命科学、化学、物理学、天文学、材料科学、地球科学及通用科学等七大领域。其经典使用场景在于为科研人员提供一个系统化的数据索引与基准，支持跨学科模型的训练与评估。例如，在生命科学领域，研究者可借助该数据集中的医学影像-文本对（如MIMIC-Diff-VQA）和临床对话数据（如ReasonMed）构建具备多模态理解能力的医疗大模型，从而推动精准诊断与临床决策支持系统的研发。

衍生相关工作

该数据集及其背后的调查工作催生了一系列极具影响力的衍生研究。首先，它作为核心参考文献，支撑了《A Survey of Scientific Large Language Models: From Data Foundations to Agent Frontiers》这一综述性工作，系统梳理了Sci-LLMs的发展脉络。其次，与之互补的《Awesome-Agent-Scientists》资源集进一步聚焦于AI智能体在科学研究中的最新进展，专门探讨如何利用该数据集中的智能体数据推动自主科学发现。此外，大量后续研究基于该数据集的分类框架与数据索引，开发了领域专用的大语言模型，如面向医学的HuatuoGPT系列和面向化学的分子语言模型，这些工作共同构建了一个从数据到模型再到应用的完整科研生态系统。

数据集最近研究

最新研究方向

随着大型语言模型（LLMs）在科学领域的渗透日益深化，数据集的研究前沿正从单一模态的预训练语料向多模态、多任务、可推理的科学智能体（Scientific Agent）方向演进。该领域的最新研究聚焦于构建覆盖生命科学、化学、物理等学科的高质量指令微调与思维链（CoT）数据集，例如MIRAGE、ReasonMed和GMAI-Reasoning10K，它们不仅整合了影像、文本、视频等异构数据，还借助GPT-4o等先进模型实现自动化标注与推理增强。这一趋势紧密呼应了2025年兴起的“科学智能体”范式——AI系统能够自主完成从假设生成到实验验证的闭环流程，标志着科学发现正从辅助工具迈向自主探索的里程碑。此类数据集的涌现，为攻克复杂科学问题、加速跨学科知识融合提供了坚实的数据基石，也推动了LLMs在精准医疗、材料设计等前沿领域的实际落地，其影响力正重塑整个科学研究的方法论体系。