开源数据集

Arc Institute 发布的大规模单细胞开放数据集，汇集超6亿细胞观测与药物扰动数据，CC0 协议完全开放，专为 AI 虚拟细胞建模设计。

GigaScience Press 旗下的生物医学数据存储库，收录超2,600个DOI可引用的多组学数据集，配备人类策展人提供专业数据管理服务。

智源研究院主导的大规模开源中文互联网语料库，CCI 4.0 数据总量达35TB，含中英双语和CoT推理合成数据，助力大模型训练。

中国科学院建设的国内首个科学数据搜索引擎，覆盖14个学科、3700万+开放数据集，总数据量20.32PB，免费提供统一数据检索服务。

欧盟官方开放数据门户，聚合超170万条欧洲公共数据集，覆盖经济、环境、交通等多领域，支持SPARQL语义查询和API接口。

全球最大的开放网页爬取项目，每月爬取数十亿网页，免费提供WARC/WAT/WET格式数据，是训练大语言模型的核心数据基础设施。

美国卫生与公众服务部官方健康数据门户，汇集NIH、CDC、FDA等联邦机构的公开医疗健康数据集，是公共卫生研究的权威数据来源。

世界银行运营的全球发展数据免费开放平台，提供200+国家数十年的经济、社会、教育等多维指标，含Global Findex 2025等权威数据集。

上海人工智能实验室打造的国内领先AI开源数据集平台，提供数千个高质量数据集下载和WanJuan3.0多语言语料库，支持国内高速下载。

社区驱动的GitHub开源项目(69K+ Star)，按主题分类整理了全球高质量公共数据集链接，覆盖20+领域，是数据科学界的“数据导航地图”。

谷歌推出的全球公开数据集统一检索引擎，通过元数据索引帮助研究者快速发现跨学科的海量数据资源。

中华人民共和国国家统计局官方平台，提供最权威全面的GDP、人口、CPI等宏观经济时间序列数据。

谷歌开源的大规模图像数据集，提供超900万张图片的高质量框、分割及视觉关系标注，用于CV预训练。

纽约市官方开放数据门户，提供交通、公共安全、311投诉等数百项高精度城市时空公共数据集。

NASA地球观测数据检索与分发核心门户，涵盖全球数十年气象、海洋、极地卫星遥感与实测权威资料。

知名数据新闻机构538的开源数据库，包含美国大选民调、NBA预测、文化趣闻等极富故事性的清洗后数据。

机器学习论文、代码与数据集关联索引平台，提供AI各任务SOTA排行榜及标准数据集导航。

全球电影数据库 IMDb 发布的免费非商用数据子集，提供千万级电影元数据、演员阵容及评分用于学术研究。

中国最大AI开发者社区，提供行业稀缺数据集、高奖金竞赛和免费云端计算资源。

收录10万+机器学习论文及代码实现，提供7600+任务SOTA排行榜和1.4万+数据集索引。

CERN与欧盟联合开发的开放科学数据存储库，免费提供研究数据上传、DOI分配和永久存档服务。

开源机器学习实验管理与可复现平台，提供500+标准化数据集和自动实验结果追踪功能。

AWS云平台上的大规模公开数据集目录，涵盖气象、基因组学、卫星影像等，支持云端就地分析。

机器学习领域最经典的开源数据集平台，由加州大学欧文分校维护，收录650+高质量基准数据集。

全球最大的数据科学竞赛与机器学习社区平台，提供超10万个公开数据集、免费GPU云端Notebook和高奖金竞赛。