面向2026年，数据集规模正在经历"两极分化"的深刻变革：一方面，语言和多模态数据逼近互联网语料的理论上限，万亿token级数据集成为常态；另一方面，工业级推荐系统数据已突破百亿交互量级。以下从分类、检测、预测、推荐、多模态、具身智能六大任务维度梳理当前常见的数据集规模，文末附有Mermaid总结框图。

---

不同类型任务常见数据集规模全景

1. 图像分类任务

经典规模（万级）
以CIFAR-10/100为代表的经典分类数据集，包含6万张32×32彩色图像，其中5万张训练、1万张测试。这类小规模数据集仍是算法快速验证和教学的首选。

主流规模（百万级）
ImageNet作为计算机视觉的基石，包含超过1400万张标注图像，覆盖2.1万个类别。尽管2010年代就已发布，但截至2026年，ImageNet仍是预训练和迁移学习的核心基准，每年仍在数千篇论文中被引用。

前沿规模（千万级）
Google Open Images Dataset V7包含超过900万张图像，其中1500万个边界框覆盖600个类别，280万个实例分割掩码。这一量级支撑着大规模视觉模型的预训练。

专用大规模（百万级）
ICONIC-444是2026年新发布的工业图像数据集，包含310万张RGB图像，覆盖444个类别，专门用于分布外（OOD）检测研究。

2. 目标检测与分割任务

经典规模（十万级）
Microsoft COCO数据集包含33万张图像，超过150万个对象实例，覆盖80个核心类别。COCO以其丰富的上下文场景和精细的实例分割标注，成为目标检测和分割领域的事实标准，2025年单年被引用超6万次。

中大规模（百万级）
Open Images的检测子集包含1500万个边界框，规模远超COCO。Pascal VOC虽然只有约2万张图像、20个类别，但因标注质量高、格式简洁，仍是模型快速验证和小型项目的常用选择。

专用检测（十万级）
工业场景下的检测数据集规模通常在数万至数十万级别，如自动驾驶领域的Cityscapes约5000张精细标注图像，但每张包含密集的像素级标注。

3. 时间序列预测任务

小规模（百级样本）
经典预测竞赛数据集如NN3包含111条月度时间序列，每条序列长度为50~126个观测点。这类小规模基准适合传统统计方法和轻量级模型的对比验证。

中大规模（万级样本/千级序列）
时间序列预测的数据集规模通常以时间步长和序列数量衡量。近年来涌现的大规模基准如Monash Time Series Repository包含数十万条序列，覆盖经济、交通、能源等多领域。

前沿时空数据集（百万级时空点）
HouseTS是2026年发布的美国住房市场时空数据集，覆盖6000多个邮政编码区，包含2012年3月至2023年12月的月度信号，总数据点达百万量级。这类数据集支撑着时空预测、多模态预测等前沿方向。

4. 推荐系统任务

经典规模（千万级交互）
MovieLens系列是推荐系统领域沿用最久的基准：ML-10M包含1000万条评分，ML-20M包含2000万条评分。2026年新发布的M3L-10M/20M在此基础上增加了电影海报、预告片、剧情等多模态特征，拓展了推荐系统的研究边界。

中大规模（亿级交互）
Tenrec数据集包含来自两个匿名平台的1.42亿条交互记录。KuaiRec提供1250万条密集交互，矩阵密度达99.6%。这类规模已接近工业级但可控。

工业级大规模（百亿级交互）
2026年发布的VK-LSVD（VK Large Short-Video Dataset）是当前最大的公开推荐系统数据集，包含400亿条用户-视频交互记录，来自1000万用户和近2000万短视频，时间跨度6个月。这一量级真实反映了工业推荐系统的数据规模，支持序列推荐、冷启动、多行为建模等前沿研究。

比较视角：不同推荐数据集规模

数据集	用户数	物品数	交互数	时间跨度
VK-LSVD (2026)	1000万	2000万	400亿	6个月
RecFlow (2024)	4.2万	8200万+900万	38亿+19亿	37天
MicroLens (2023)	3450万	114万	10亿	1年
MovieLens-20M	13.8万	2.7万	2000万	20年
KuaiRec (2022)	7200	1.1万	1250万	2个月

数据来源：VK-LSVD论文

5. 自然语言处理与多模态任务

语言数据规模（万亿token级）
根据Epoch团队2022年的分析，语言数据集以每年超50%的速度增长，截至2022年10月最大数据集已达2万亿词。但关键洞察在于：高质量语言数据（书籍、论文、新闻）将在2023-2027年间耗尽，而低质量语言数据（社交媒体、网页）可持续至2030-2050年。这一预测在2026年已成为行业共识，推动数据效率研究和合成数据发展。

多模态图文数据（千万级对）
S1-MMAlign是2026年发布的大规模科学图文数据集，包含1550万高质量图像-文本对，源自250万篇开放获取科学论文。覆盖物理、生物、工程等多学科，经过语义增强处理，图文对齐质量提升18.21%。

图像数据规模（十亿级图像）
图像数据总存量估计在8万亿至23万亿张之间，最大训练数据集已达30亿张。图像数据预计在2030-2060年间耗尽，远晚于语言数据。

6. 具身智能与机器人任务

触觉-视觉多模态（万分钟级）
白虎-VTouch数据集是2026年发布的全球最大跨本体视触觉多模态数据集，总规模超6万分钟，首批开源6000分钟。包含视触觉传感器数据、RGB-D数据、关节位姿数据，覆盖轮臂机器人、双足机器人、手持终端等本体构型。任务类型达380多种，涵盖家居家政、工业制造、餐饮服务、特种作业等4大类真实场景。

仿真数据（无限生成）
随着合成数据技术成熟，具身智能领域越来越依赖仿真环境生成的无限数据。但真实物理交互数据仍是稀缺资源，白虎-VTouch的6万分钟真实交互数据具有极高价值。

7. 数据集规模演化的核心趋势

趋势一：高质量语言数据触及天花板
高质量语言数据存量仅比当前最大数据集大不到一个数量级，2023-2027年间将耗尽。这一预测在2026年已显现——主流大模型训练开始依赖多轮数据复用、课程学习和合成数据。

趋势二：推荐系统数据进入百亿时代
VK-LSVD的400亿交互标志着推荐系统公开数据从"实验室可控"走向"工业级真实"。研究者需面对更大规模、更稀疏、时序依赖更强的数据挑战。

趋势三：多模态成为标准配置
新发布数据集普遍配备多模态信息：M3L-10M/20M增加视觉/音频特征、S1-MMAlign提供图文对、HouseTS融合遥感影像与文本、白虎-VTouch集成视触觉。

趋势四：专用领域数据集涌现
从工业检测（ICONIC-444）到住房预测（HouseTS），从科学图文（S1-MMAlign）到具身触觉（白虎-VTouch），2026年见证了专用领域大规模数据集的集中爆发。

趋势五：数据效率成为新焦点
面对数据耗尽预期，少样本学习、数据高效训练、主动学习、合成数据生成等方向成为研究热点。数据集不再追求"更大"，而是"更精"。

---

Mermaid 总结框图

框图解读：
该图从六大任务维度系统梳理了2026年常见数据集规模，并归纳了核心演化趋势：

• 图像分类：从CIFAR的万级到ImageNet的千万级，覆盖不同需求

• 目标检测：COCO以33万张成为标准，Open Images以900万张支撑大规模预训练

• 时间序列：从小规模基准到百万级时空数据集，跨度显著

• 推荐系统：VK-LSVD的400亿交互标志着工业级数据成为公开资源

• NLP与多模态：高质量语言数据逼近耗尽阈值，推动数据效率革命；多模态数据集规模达千万级

• 具身智能：真实物理交互数据稀缺，6万分钟已属大规模

关键数字速查：

• 图像分类最大：900万+张（Open Images）

• 目标检测实例数：1500万框（Open Images）

• 推荐系统交互数：400亿（VK-LSVD）

• 多模态图文对：1550万（S1-MMAlign）

• 具身真实数据：6万分钟（白虎-VTouch）

• 高质量语言剩余：<10倍当前最大集（即将耗尽）