在 GitHub 上搜罗了一批高质量数据集，涵盖诗词文学、3D 资产、英语学习、健身、地理和物理模拟六大领域，看看哪些能派上用场。
01 — 三十多万首唐宋诗词
chinese-poetry 将约 5.5 万首唐诗、26 万首宋诗和 2.1 万首宋词整理成了结构化数据文件，同时收录了《诗经》《论语》等古典文集。这个项目在 GitHub 上已获得超过 5 万 Star。
基于这些数据可以做很多有趣的应用：做一个飞花令小游戏，从诗句中筛选指定汉字；按作者归类生成诗人作品集；或者每天挑一首诗配上日期，做成诗词日历。
作品以 JSON 文件保存，程序可以直接读取标题、作者和正文，再接上搜索、收藏或背诵功能。如果想用 Vibe Coding 给中小学生家长做一些诗词类小工具，这个数据集是很好的基础素材。
02 — 3D 资产数据集
NVIDIA SimReady Assets 是英伟达开源的一套已完成建模的 3D 物品素材库，包含纸箱、推车、厨房用品、工业设备等约 2575 个 3D 资产，总容量约 472GB。面向物理仿真场景，在支持的软件中模型可以配合碰撞、重量、摩擦等属性，模拟箱子落地、物体碰撞等效果，适合机器人训练、工业仿真和虚拟场景搭建。使用前需确认软件支持 OpenUSD 格式。
Scenario 3D Collection 收集了 AI 生成的 3D 模型，包括卡通角色、宝箱、家具和车辆等，约 38.7GB 共 1342 个素材，提供 GLB 等多种格式。
03 — 雅思英语单词数据集
做背单词工具除了词义还需要例句、图片和发音。词光 Word Atlas 就是一个完整的英语单词学习数据集，包含 7298 个单词及例句、7298 幅插画，以及两万多段英音、美音和例句朗读音频。
数据涵盖中英文释义、常用搭配、难度分级和话题分类。开发者还配套做了一个背词应用，支持看图练习、听音辨词、拼写和间隔复习。文字和插画由 AI 生成，语音通过 ElevenLabs 合成。
04 — 1324 个健身动作数据集
Exercises Dataset 收集了 1324 个健身动作，每个动作配有缩略图、GIF 演示和文字步骤说明，已在 GitHub 获得 2 万多 Star。
每个动作标注了所需器械、训练部位、目标肌肉和辅助肌群，并支持 10 种语言。
05 — 各国城市省州名称数据集
Countries States Cities Database 收录了约 250 个国家及地区的信息，包含 15 万多个城市、城镇和区县条目。做跨国地址表单、城市查询工具或旅行地图时，这份数据可以直接拿来用。
注册页面常见的"先选国家、再选省州、最后选城市"级联选择器，就需要这样的层级数据。数据中还包含国家代码、经纬度、时区、货币等附加字段。比如做旅行地图时，读取城市经纬度配合地图工具就能快速标注地点。
项目提供 JSON、CSV、SQL 等多种格式，可按需选择。只做国家选择框时单独用国家数据，需要更细粒度时再接入省州和城市文件。
06 — 15TB 物理模拟数据
The Well 收集了 16 组物理模拟数据，总规模达 15TB，涵盖流体运动、声波传播、生物系统和超新星爆炸等场景。
这些数据保存了模拟系统在不同时刻的状态。将连续时刻的数值可视化后，可以观察物理过程的演变规律。交给机器学习模型训练，则可以研究如何根据已有状态预测后续变化。各组数据采用统一的格式和读取方式，除随时间变化的物理量外，还包含模拟参数等信息。
项目地址汇总
Github：designfuchen/word-atlas
Github：PolymathicAI/the_well
HuggingFace：NVIDIA SimReady Assets | Scenario 3D Collection
