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
127K пар запрос-изображение для обучения визуального поиска по документам.
Пары вопрос-ответ к медицинским изображениям из MedPix для обучения и тестирования VQA.
Крупный корпус пар alt-текст и изображение из HTML для обучения мультимодальных моделей.
1,8 млн пар вопрос-ответ по графикам с Chain-of-Thought аннотациями для обучения VLM.
Миллион+ AI-изображений с подробными английскими подписями для генерации и описания картинок.
1,8 млн мультимодальных примеров с подробными рассуждениями, дистиллированными из Qwen3-VL-235B-Thinking.
Изображения и текст на английском для обучения и проверки доверенных мультимодальных моделей через RLAIF.
Крупный корпус пар изображение-текст, где фразы из подписи привязаны к соответствующим областям картинки.
Пары картинок и подписей с одинаковыми словами в разном порядке для проверки vision-language моделей.
Небольшой набор мультимодальной обратной связи для выравнивания vision-language моделей.
VQA-датасет на основе Localized Narratives: пары вопрос-ответ по изображениям.
750K CT/MRI-снимков и 7,5M сгенерированных VQA-примеров с экспертными аннотациями для обучения и бенчмарка.
10 013 изображений стройплощадок с аннотациями для проверки понимания сцен vision-language моделями.
123 тыс. самых сложных image-text примеров из MMFineReason, на которых Qwen3-VL-4B-Thinking стабильно ошибается.
Изображения блюд с метаданными для распознавания еды, классификации и нутриционного анализа.
Пары изображений математических формул с LaTeX-кодом для обучения и проверки OCR.
Подробные синтетические описания 16,9 млн изображений для обучения и оценки vision-language моделей.
Крупный мультимодальный датасет для понимания научных изображений: картинки и тексты, задача image-to-text.
160 успешных траекторий агента Gemini на задачах OSWorld с шагами и оценкой 1.0.
Крупный набор пар изображение—LaTeX для распознавания математических формул.
SQLite-база тегов и постов Danbooru2023 с последним ID 7 866 491 для генеративных моделей.
Крупный англоязычный датасет изображений лиц с описаниями для подписей и генерации.
Данные image-to-text для распознавания вьетнамского рукописного текста; карточка обещает более полную версию.
1,7 млн пар промптов и изображений Midjourney v5 за апрель 2023 года в очищенной неофициальной выгрузке.