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
Классический набор из 60 000 изображений 32×32 в 10 классах для проверки классификации.
Набор сред для обучения LLM-агентов с проверками в коде, кибербезопасности, вебе и музыке.
Сборник из 50 тренировочных vision-language датасетов, использованных для fine-tuning Idefics2.
480 задач от банкиров, консультантов и юристов для проверки AI-агентов в кросс-приложенческих сценариях.
17,3 млн изображений, 24,3 млн примеров и 88,9 млн реплик для тренировки современных открытых vision-language моделей.
Крупный очищенный датасет из 103,8 млн пар изображение-текст для обучения text-to-image.
Бенчмарк по мультимодальному пониманию и reasoning: вопросы с изображениями из многих дисциплин.
Классический набор изображений ILSVRC 2012 по иерархии WordNet для обучения и оценки классификаторов.
70 тыс. чёрно-белых изображений рукописных цифр 28×28 для обучения и проверки классификаторов.
1,2 млн пар изображение-текст для семи задач редактирования, отфильтрованных по оценкам GPT-4o.
Крупнейший набор схем и PCB: исходники, изображения, метаданные и связанные файлы плат.
Мультимодальный бенчмарк из 2500 сложных вопросов по десяткам академических тем.
Бенчмарк для оценки систем парсинга реальных корпоративных документов по пяти измерениям.
Коллекция AI-сгенерированных 3D-ассетов с превью и исходными входными данными, около 39 ГБ.
Изображения и текст на английском и китайском для обучения и оценки мультимодальных моделей.
Синтетические игровые спрайты 16×16 с английскими описаниями для обучения text-to-image моделей и LoRA.
Бенчмарк математического рассуждения по изображениям: IQTest, FunctionQA и PaperQA; языки en, zh, fa.
Мультимодальный английский датасет научных вопросов с вариантами ответов и изображениями.
1 440 de novo минибелков 50–120 остатков против 16 целей, созданных агентами Claude и проверенных в CRO.
Крупный открытый набор пар «изображение–текст» на английском для качественного дообучения T2I-моделей.
101 000 изображений еды по 101 категории для обучения и проверки классификаторов.
31 тыс. часов спонтанной речи по изображениям на 105 языках Индии, с транскриптами для ASR и мультимодальных задач.
Крупный синтетический датасет пар «скриншот — HTML/CSS-код» для генерации UI по изображению.
Огромный англоязычный набор для Document VQA, использованный при дообучении Idefics3.