实时数据在数据分析和应用开发中越来越关键，但找到高质量、公开且实时更新的数据源并不容易。

bytewax 整理了一份非常全面的公开实时数据集和数据源清单，涵盖金融、区块链、交通、天气、物联网、安全、新闻等多个领域，既有免费的也有付费的，支持通过 HTTP 或 WebSocket 等方式访问。

这份资源对数据科学家、开发者和研究人员极具价值，方便快速接入和使用实时数据，加速数据驱动的应用开发和研究。

主要内容包括：

- 金融市场实时行情与区块链交易数据源，如 Coinbase、Binance、 Polygon.io 等；
- 交通运输实时数据，包括英国铁路、纽约公交、瑞士公共交通等；
- 天气和环境监测数据，如 NOAA、Open Weather API、EPA 空气质量数据；
- 网络安全实时威胁情报和证书透明度日志；
- 新闻实时聚合和事件流，涵盖多家主流媒体和技术社区；
- 物联网传感器实时数据渠道及卫星轨迹追踪；
- 还包括多种付费优质数据服务，满足专业需求。

Awesome Public Real-Time Datasets and Sources | #数据集

SoundMind 推出首个面向复杂推理的音频逻辑推理（ALR）数据集，涵盖6,446个音频与文本双模态链式思维注释样本，推动音频语言模型突破传统边界。| #数据集

• 创新点：基于规则的强化学习算法，专为赋能大规模音频语言模型实现深度双模态逻辑推理设计。
• 数据规模：6,446条高质量标注，涵盖训练、测试、验证集，支持链式思维推理，提升模型理解复杂语义的能力。
• 技术细节：依赖 Verl 框架，推荐8×NVIDIA H800/H100 80GB GPU，Python ≥3.9，CUDA≥12.1，确保高效训练与推理。
• 实用工具：提供多种数据预处理脚本，支持仅文本、仅音频或双模态输入，灵活适配各类研究需求。
• 开源透明：MIT许可协议，代码、数据集与模型权重均公开，便于复现与二次开发。
• 研究价值：打破单一模态推理瓶颈，强化音频与文本的逻辑联结，推动音频语言理解迈入新阶段。

SpatialVID：突破视频空间理解瓶颈的超大规模、多维度数据集
| #数据集

• 收录21000+小时野外视频，经过层级筛选提纯，生成270万片段，涵盖7089小时动态内容，规模远超现有公开数据集。
• 每帧视频均含详尽空间标注：相机位姿、深度图、动态遮罩、结构化描述及运动指令，助力动态场景的三维重建与理解。
• 精细注释丰富真实世界多样性，提升模型泛化能力与实际应用效果，填补真实动态场景高质量大规模数据空白。
• 提供完整开源代码与训练权重，支持一键环境搭建与全流程自动化：评分、注释、描述生成，方便研究复现与二次开发。
• 兼容多款主流3D视觉模型与分割工具，基于Apache-2.0协议，科研与商业均可灵活使用。
• 配套下载脚本支持HuggingFace及YouTube原始视频获取，方便快速构建定制训练集。

TexVerse：一个涵盖超85万高质量3D模型及高分辨率材质的大型开放数据集，专为视觉计算、图形学研究与应用打造。| #数据集

• 数据规模：858,669个独特3D模型，包含158,518个基于物理渲染（PBR）材质模型，支持2K、4K、8K超高清纹理。
• 多样变体：每个模型含所有高分辨率变体，累计1,659,097个3D实例，满足细粒度需求。
• 动画与骨骼：专门子集包含69,138个绑定骨骼模型与54,430个动画模型，保留用户原始文件格式，确保骨骼与动画完整性。
• 细致标注：涵盖整体特征、结构组件及精细特征，便于深入分析与训练。
• 开放授权：所有模型均采用Creative Commons许可，支持广泛共享与再利用。
• 下载方式：高分辨率纹理集中托管于TexVerse，1K纹理另有独立资源，动画与骨骼数据联合托管，资源详见metadata文件。

TexVerse为三维内容创作与AI视觉应用提供了坚实数据基础，是推动高精度3D理解与生成的宝贵资源。

千万级信息图表数据集，助力图表理解与生成领域突破

• 覆盖115万+合成与10万+真实信息图表，囊括75种图表类型、330种视觉变体及68种布局模板
• 数据来源广泛，采集自Pinterest、Visual Capitalist、Statista等19个权威图表网站
• 合成图表通过程序化生成，基于详尽的视觉元素和空间布局规则，确保多样且高质量
• 应用场景丰富：
 – 提升基础模型对信息图表的理解能力，附完整训练与评测代码
 – LVLM代码生成基准，精准评估D3.js图表渲染的视觉相似度，支持高低粒度对比
 – 示例驱动的图表生成方法，能根据样例图表风格将用户表格数据转化为美观信息图
• 数据集及相关代码均开源，采用Apache 2.0协议，便于科研与产业应用
• 最新数据发布：2025年6月新增23万+合成图表，整体规模达44万种变体

ChartGalaxy | #数据集

为遥感领域打造的视觉语言数据集，助力AI模型更好地理解遥感图像。

超过130万张遥感图像，每张图像配备多个描述性标题；利用大型语言模型（LLM）自动生成高质量标注，减少人工标注成本；数据覆盖美国全境，图像分辨率高达0.6米

RSTeller |#数据集

一个大规模、高难度、去污染且可验证的数学数据集，助力数学推理能力的提升。

包含103,000道高难度数学题目，难度主要集中在5-9级；覆盖广泛的数学主题，包括代数、微积分、数论、几何、概率和离散数学；经过严格去污染处理，确保数据纯净，避免测试集泄露

DeepMath | #数据集

一个专门面向长视频生成的电影级数据集，特点是包含完整电影长度的视频、连贯的故事情节和多场景叙事，确保角色外观和音频在不同场景中的一致性，并提供分层的数据结构，包含高层电影信息和详细的镜头级描述

MovieBench | #数据集

全球街景数据集，包含1000万张街景图像，覆盖212个国家和地区的688个城市，每张图像都经过丰富的地理空间、时间、上下文、语义和感知信息增强

Global Streetscapes | #数据集

拓展型的地球观测数据集，旨在为大规模(TB级)的遥感数据集提供标准化的处理方法和示例。

Major TOM | #数据集

代表性LLM文本数据集大列表，包括预训练语料库、微调指令数据集、偏好数据集、评估数据集和传统NLP数据集

Awesome-LLMs-Datasets | #数据集