THUOCL

最全诗词集合，唐宋两朝近一万四千古诗人, 接近5.5万首唐诗加26万宋诗. 两宋时期1564位词人，21050首词。

长时依赖词库。包含1亿个词汇的英文词库数据，这些词汇是从Wikipedia的优质文章和标杆文章中提取得到的。每个词汇还同时保留产生该词汇的原始文章，这尤其适合当需要长时依赖(longterm dependency)自然语言建模的场景。

大规模中文自然语言处理语料

32像素图片。CIFAR-10包含了10个种类的图片，包括飞机，汽车，鸟.....图片是彩色的。总共60,000个样本。CIFAR-100包含了100个种类，但是总共也只有60,000个样本。

蛋白质结构。98.5%的人类蛋白质结构被Google AlphaFold2预测出来了！ 而且还做成了数据集，全部免费开放！

1万条中文语音。包含了1万余条语音文件，大约40小时的中文语音数据，内容以文章诗句为主，全部为女声。它是由清华大学语音与语言技术中心（CSLT）出版的开放式中文语音数据库。