AI 资源库 · 已整理 6 项
查看与数据集相关的 AI 资讯、工具、Skill、工作流和开源项目。
tensorflow/tensor2tensor · Library of deep learning models and datasets designed to make deep learning more accessible and accelerate ML research.
Tensor2Tensor（T2T）由 Google Brain 团队与社区开发，是一个汇集深度学习模型和数据集的 Python 库，覆盖数学语言理解、故事问答、图像分类与生成、语言建模、情感分析、语音识别、摘要和机器翻译等任务。它提供 t2t-datagen 数据生成、t2t-trainer 训练评估推理入口，以及命令行切换问题、模型和超参数集，并支持多 GPU 和分布式训练。项目已标记为弃用，仍维护并可接受缺陷修复，官方建议转向后继库 Trax。
ktwu01/benchmark-radar · Track 20,710+ AI benchmark, eval, dataset, and data-quality records from 39 public sources, with linked evidence and daily updates.
Benchmark Radar 是一个面向 AI 基准与评测的"活数据库"和搜索引擎，通过爬虫每天从 40 个公开来源采集基准论文、仓库、数据集与发布信号，并结合模型报告、Artificial Analysis 等来源整理基准目录、分数记录、测试条件与引用信息。项目提供网页仪表盘（今日发现、基准前沿排行榜、Pareto 前沿、饱和与趋势视图）、RSS 订阅、可下载数据集以及用于离线查询的 CLI，还支持通过 coding agent 技能方式查询基准。材料说明软件采用 MIT 许可，技术报告与原创编辑内容采用 CC BY-NC-SA 4.0，商业再发布或产品集成需事先书面许可；未说明具体硬件要求和 API 成本。
DataDog/malicious-software-packages-dataset · An open-source dataset of malicious software packages found in the wild.
该项目由 DataDog 维护，是一个收录野外发现的恶意软件包的开源数据集，目前包含超过 28623 个样本，覆盖 npm、PyPI、IDE 扩展和 AI Skills 等生态。样本按生态及「良性包被投毒版本」与「以投递恶意软件为目的」分类存放，压缩为密码为 infected 的加密 ZIP；各生态目录附带 manifest.json，可用于按包名和版本快速判断是否属于已知恶意包。数据集主要用于软件供应链安全研究、检测规则（如 GuardDog）验证与本地分析。
ada994/prism-bench · 🌐 Benchmark models using the PRISM framework and access the FLUX-Reason-6M dataset for improved AI performance evaluation.
prism-bench 是论文《FLUX-Reason-6M & PRISM-Bench: A Million-Scale Text-to-Image Reasoning Dataset and Comprehensive Benchmark》的官方资源仓库，提供百万级文本到图像推理数据集 FLUX-Reason-6M 和 PRISM 基准评测工具，用于评估和改进 AI 的文本到图像推理性能。README 主要描述如何从发布页下载运行应用，并列出数据集访问与基准分析等特性。
google-deepmind/alphagenome_research · Research code accompanying AlphaGenome
AlphaGenome 是 Google DeepMind 提出的统一 DNA 序列模型，可分析最长 100 万碱基对的 DNA 序列，在单碱基分辨率下预测基因表达、剪接模式、染色质特征和接触图等多种模态。本仓库提供该模型的研究代码：基于 JAX 的模型实现、AlphaGenome API 及变体打分器、从 TFRecords 读取训练数据的数据集加载器，以及用于运行模型和评估分析的 Colab notebook。预训练权重可从 Kaggle 或 Hugging Face 下载，需接受非商业模型条款。
ToolGrad 是 Google 研究团队提出的数据生成框架，它反转传统范式，先生成工具使用答案、再标注对应的用户查询。相比依赖深度优先搜索的查询优先方法，该方案仅需一步 LLM 即可完成标注，能以更低成本生成更复杂的长程工具使用数据。用 ToolGrad-500 微调的 Gemma-3 模型（1B、4B、12B）在 BFCL 基准上超越基线，并在含未见工具的分布外数据集上追平最先进的专有 LLM。