Датасеты с Hugging Face с описанием на русском: что внутри и какие модели на них обучить. В каталоге уже 1 085, новые добавляются каждый час.
Отвечает DeepSeek · переписка хранится только в этой вкладке
Коллекция из более чем 800 тыс. 3D-объектов с а��нотациями для обучения 3D-моделей.
Корпус проверенных статей Википедии на английском для обучения и оценки языковых моделей.
Крупный англоязычный веб-корпус с разбивкой по десяткам доменов и статистикой по итерациям для обучения и классификации.
Открытый набор OEM-курируемых simulation-ready ассетов NVIDIA для проектов и симуляций.
8,5 тыс. разнообразных школьных математических задач с пошаговыми решениями для проверки рассуждений.
Англоязычный HTML-корпус MINT-1T: часть открытого мультимодального датасета на 1 трлн токенов и 3,4 млрд изображений.
Наборы траекторий разных роботов и задач для пост-тренировки GR00T N1.
Крупный мультимодальный датасет для промежуточного обучения LLaVA-OneVision-1.5; загрузка источников завершена.
Огромный очищенный корпус Common Crawl с вариантами en, realnewslike и многоязычным mC4.
Сборник задач и данных для обучения и оценки систем понимания английского текста.
7 787 научных вопросов с выбором ответа для проверки question-answering моделей.
Бенчмарк из вопросов с выбором ответа по 57 предметам на английском.
Изображения и исходные файлы китайского исторического архива, включая ещё не опубликованные материалы.
Массивный китайский текстовый корпус для обучения и проверки языковых моделей.
Все истории, комментарии, Ask HN, Show HN, вакансии и опросы Hacker News на английском.
1,3 трлн токенов отфильтрованных образовательных веб-страниц на английском для обучения LLM.
Крупнейший открытый датасет телеоперации роботов: двуручные траектории манипуляций на станциях YAM.
12 тыс. сложных вопросов по разным дисциплинам для строгой проверки LLM.
Англоязычные диалоги ShareGPT, очищенные для SFT чат-моделей вроде Vicuna.
Более 18,5 трлн токенов очищенных и дедуплицированных англоязычных веб-текстов из CommonCrawl для обучения LLM.
Классический набор из 60 000 изображений 32×32 в 10 классах для проверки классификации.
Очищенные статьи Википедии на множестве языков, по одному train-сплиту на язык.
4 трлн токенов и 3 млрд документов для предобучения LLM; сильные результаты на бенчмарках.
Задания на выбор продолжения предложения для проверки здравого смысла у языковых моделей.