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
34–54 млрд токенов математических учебных текстов, отфильтрованных из CommonCrawl для обучения моделей.
1 млн синтетических примеров для SFT, на которых обучали семейство SmolLM2-Instruct.
Набор инструкций OSS-Instruct, сгенерированный GPT-3.5-turbo-1106 для задач генерации кода.
Небольшой англоязычный бенчмарк для оценки успешности джейлбрейков и защиты от них у LLM.
162 задачи на английском для оценки юридического рассуждения LLM: классификация и ответы на вопросы.
161 тыс. сообщений на 35 языках с оценками качества и деревьями диалогов для обучения ассистентов.
Обработанный UltraFeedback: 64 тыс. промптов с ответами моделей и оценками GPT-4, сведёнными в пары предпочтений.
1 440 de novo минибелков 50–120 остатков против 16 целей, созданных агентами Claude и проверенных в CRO.
Более 10 тыс. задач Codeforces для обучения и проверки рассуждений кодовых моделей.
Обработанные on-chain сделки Polymarket в таблицах и тексте для анализа рынка и поведения пользователей.
Геопространственные данные Foursquare OS Places: таблицы и текстовые атрибуты мест, доступ по запросу.
Бенчмарк: модель получает неструктурированное состояние и отвечает на пять типизированных вопросов вероятностями.
Вопросы AIME 2026 с ответами в LaTeX для оценки моделей на MathArena.
58 тыс. комментариев Reddit с разметкой по 27 эмоциям или Neutral для классификации.
Английский датасет полезности для выравнивания LLM по фактичности, связности и длине ответов.
Датасет для проверки LLM, умеет ли модель находить и различать несколько «иголок» в длинном контексте.
Код из GitHub с уровнями очистки L0–L3 для обучения языковых моделей.
385 тыс. человеческих предпочтений полезности ответов на вопросы в 18 темах.
1 млн исполняемых CAD-программ, синтезированных агентом без реальных данных, для text-to-3D и image-to-3D.
Подвыборка The Stack: по 10 тыс. случайных примеров кода на каждый из 30 языков, 2,6 ГБ.
Высококачественная смесь веб-текстов, статей, энциклопедий и кода для второго этапа обучения OLMo2.
Крупный синтетический корпус задач по коду с проверяемыми решениями и тестами для SFT и RL.
Табличные метаданные о 5,6 млрд видео TikTok: ID, дата, страна, регион и язык.
Мультимодальный датасет PsiBot со зрением, языком и действиями для обучения embodied-интеллекта.