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
Диалоги разработчиков с AI-ассистентами: вызовы инструментов, трассы размышлений и правки кода.
Более 1 трлн токенов параллельных текстов на английском и 500+ языках для машинного перевода.
Большая многоязычная коллекция текстов для классификации, суммаризации и перевода.
Очищенные пары предпочтений из UltraFeedback для fine-tuning языковых моделей.
Код на многих языках программирования с permissive-лицензиями после near-дедупликации, около 1,5 ТБ.
Англоязычный набор данных для предобучения LLM, ориентированный на высокое качество и эффективное масштабирование.
Бинаризованные предпочтения для DPO на основе Capybara: многоходовые диалоги для обучения чат-моделей.
Миллионы инструкций на английском и китайском для дообучения и оценки LLM.
Сырые анонимизированные трассы агента Claude Fable 5 для обучения и анализа агентных сценариев.
Крупный открытый речевой датасет на 25 европейских языках для ASR и перевода речи.
4 006 сырых трасс агента с ответами DeepSeek v4 Pro и снапшотом схемы инструментов для SFT.
Чистый посекционный корпус на арабском и английском для предобучения небольшой LLM.
Параллельные тексты для оценки перевода с английского на множество языков, включая низкоресурсные.
3,3 тыс. экспертных парных предпочтений для ответов шести моделей на 80 вопросов MT-Bench.
57 937 отфильтрованных трасс от трёх моделей для SFT в математике, коде, рассуждениях и мультиязычных задачах.
110 тыс. китайских примеров с ответами и рассуждениями R1 для SFT.
50 тыс. нефильтрованных пар инструкция–ответ на английском для обучения языковых моделей.
10 331 промпт с оценками качества от сообщества — для обучения и проверки ранжирования промптов.
Небольшой набор джейлбрейк-промптов ChatGPT для изучения обхода ограничений.
110 тыс. китайских примеров с ответами R1, собранных в поле output для обучения SFT.
Почти дедуплицированная версия The Stack v2 — крупный корпус кода для обучения LLM, сгруппированный по репозиториям.
Оценка языковых world models по траекториям агентов и ground-truth наблюдениям из реальных сред.
Около 49 772 трасс от qwen3.8-max-preview для SFT и off-policy дистилляции.
Бенчмарк для оценки ролевых агентов в китайских и английских сценариях.