© 2023-2026 上海数据发展科技有限责任公司 版权所有
沪ICP备17003045号-15沪公网安备31010402336585号
北京大学
企业北京大学主营培养高等学历人才，促进科技文化发展、医学类学科高等专科、本科等。面向数学推理、大型语言模型评估、社交网络分析等领域提供数据服务，开放Omni-MATH（数学推理、大型语言模型评估）、WeChatNet（社交网络分析、信息传播）、PKU-SafeRLHF（视觉语言模型、安全对齐），支撑模型训练与算法优化。
数学推理大型语言模型评估社交网络分析
数据集列表
UniETP
UniETP是由北京大学研究团队构建的具身任务规划统一基准数据集，旨在解决现有模拟器与数据集碎片化问题，推动通用化具身智能体发展。该数据集整合了AI2-THOR、VirtualHome、Habitat和BEHAVIOR四大主流模拟器，通过自动化任务生成流程创建了超过500个任务实例，涵盖138种任务类型，并支持多粒度观察与动作空间。数据集构建过程基于100余个任务模板，结合常识知识库与大语言模型标注器，系统化生成具有不同逻辑复杂度、实例级 grounding 和语言理解难度的任务。其核心应用于评估具身任务规划模型的泛化能力，特别是在跨模拟器环境下的指令理解、复杂逻辑推理和实例级交互规划等关键挑战。
arXiv2026-07-20 更新70
基于社会主义核心价值观的文本价值认证高质量数据集
1、应用范围：
（1）训练以社会主义核心价值观为依据，对随机给定文本内容进行价值识别与认证的专用算法模型；
（2）生成式人工智能的价值对齐训练，增强模型在内容生成与理解过程中的价值判断能力。
2、应用对象：党政部门、主流媒体、商业平台、科研院所等。
3、所能解决的主要问题：
（1）解决信息内容平台在“内容审核”与“内容推荐”算法训练中缺乏专业标注样本的问题。本数据集为训练价值识别与认证算法提供了充足样本，可以解决目前信息内容平台因缺乏关于“正面”的标准，进而导致无法基于社会主义核心价值观，从海量UGC与PGC中精准识别优质内容并进行推荐分发的难题。
（2）解决生成式人工智能模型在“价值观对齐”训练中缺乏高质量语料的问题。本数据集提供了基于社会主义核心价值观的结构化语料，能够作为RLHF的关键训练集，可以有效增强生成式人工智能模型在内容生成与理解过程中的价值判断能力。化解意识形态安全风险。
（3）解决监管部门在评估网络空间生态时缺乏可量化指标的问题。本数据集为对平台网站（包括其中个人与机构账户）的信息内容生态进行测量提供了可量化的“参照物”，可以有效提升绩效评估的时效性、客观性与科学性。
北京市数据知识产权2026-03-03 更新210
RoboBench
RoboBench是一个全面的评估基准，用于评估多模态大型语言模型（MLLM）作为机器人操作中的认知核心。该数据集涵盖了指令理解、感知推理、泛化规划、可利用性预测和故障分析五个维度，共包含14个能力和25个任务，以及6092个问答对。数据集来源于大规模真实机器人数据集和内部收集，确保了任务的现实性和多样性。
arXiv2025-10-21 更新1100
MV-ScanQA 和 TripAlign
MV-ScanQA 是一个用于评估多视图场景理解和组合推理能力的 3D 问答数据集，其中 68% 的问题需要整合来自多个视图的信息。TripAlign 是一个大规模的 2D-3D-语言语料库，包含超过 100 万个三元组，通过 2D 视图作为中介，自然地将多个上下文相关的对象组合在一起，从而实现更密集的多对象注释。这两个数据集旨在解决现有 3D 视觉语言数据集在多视图推理和稀疏注释方面的局限性，为 3D 视觉语言模型的训练和评估提供了新的挑战和机会。
arXiv2025-08-15 更新70
TASE
TASE是一个全面的语言模型评估基准，旨在测试模型在细粒度、标记级理解和结构推理方面的能力。它覆盖了中文、英文和韩文三种语言，包括标记感知和结构理解两个核心类别下的10个任务。数据集包含35,927个实例，并有一个可扩展的合成数据生成管道用于训练。这些任务包括字符计数、标记对齐、句法结构解析和长度约束满足等。
arXiv2025-08-07 更新480
北京市居民对北京城市空间范围的认知边界数据集（2024年）
本数据集以北京市居民对“北京”城市空间范围的主观认知为内容，主要包含居民绘制的城市认知边界空间数据及其对应的基础个体属性信息。认知边界数据来源于问卷调查，受访居民在统一提供的基础电子地图上手绘形成闭合边界线，该地图隐去北京市行政区域界线，仅保留路网、水体和绿地等基础地理要素，以避免行政边界对绘制过程的直接干扰。所有回收的手绘认知边界均经过数字化处理，转化为可用于空间分析的认知边界几何要素，每一条边界对应一位受访者对北京城市空间范围的主观界定结果。除认知边界空间要素外，数据集中还包含与每条认知边界相对应的受访者基础属性信息。该部分信息仅限于用于群体差异分析的最小必要变量，包括受访者的居住区（北京市辖区层级）和性别。所有个体属性信息均经过匿名化处理，并通过编号方式与认知边界空间数据进行关联，不包含姓名、联系方式或其他任何可用于识别个人身份的信息。
国家地球系统科学数据中心2026-03-30 更新210
Eval-Actions
Eval-Actions是由北京大学团队构建的机器人操作评估基准数据集，旨在解决当前模仿学习领域评估可信度不足的问题。该数据集包含13,000条轨迹数据，其中创新性地整合了2,800条失败场景数据，覆盖单臂/双臂操作任务，数据来源同时包含人类遥操作和策略生成轨迹。数据集通过专家评分(EG)、排序引导偏好(RG)和思维链(CoT)三重监督信号，对动作平滑度、安全性等细粒度质量维度进行标注。其构建过程采用混合模态采集方案，包含RGB-D传感器数据和文本描述。该数据集主要应用于机器人模仿学习的可信评估领域，可有效诊断策略执行的源真实性和动作质量，为开发安全可靠的部署方案提供基准支持。
arXiv2026-01-27 更新720
SafeProtein-Bench
SafeProtein-Bench是一个针对蛋白质基础模型的对抗性测试基准数据集，包含了一个手动构建的对抗性测试基准数据集和一个全面的评估协议。该数据集包括429个蛋白质，包括毒素和病毒蛋白，旨在评估蛋白质基础模型的安全性，并揭示当前蛋白质基础模型中存在的潜在生物安全风险。
arXiv2025-09-04 更新400
TurbEvent
TurbEvent是一个实拍数据集，用于捕捉不同湍流场景，为评估大气湍流去除技术提供全面的数据支持。该数据集包含各种湍流模式，能够帮助研究人员更好地理解大气湍流对图像质量的影响，并开发更有效的图像恢复算法。
arXiv2025-08-14 更新1780
SimdBench
SimdBench 是一个专门为 SIMD 内置代码生成而设计的代码基准测试集，包含 136 个精心设计的任务，针对五种代表性的 SIMD 内置函数：SSE、AVX、Neon、SVE 和 RVV。SimdBench 旨在解决现有代码生成基准在 SIMD 内置代码生成评估方面的局限性，并提供一个全面的评估框架，包括正确性和性能测试。
arXiv2025-07-21 更新630