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
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.
Огромный англоязычный корпус веб-страниц с образовательным фильтром для предобуче��ия языковых моделей.
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.
Параллельные тексты для оценки машинного перевода на многих языках, включая редкие.
LHTB проверяет, как LLM-агенты удерживают полезную работу в контейнерном терминале на сотнях шагов.
4,79 млрд взаимодействий и аудиоэмбеддинги для ранжирования и поиска музыки.
Набор высококачественных 4K/8K-видео со структурированными подписями для генерации видео.
48 тыс. скринкастов (12,3 тыс. часов) для обучения и проверки видео- и робо-моделей.
Табличные срезы со статистикой моделей, датасетов и Daily Papers с Hugging Face Hub.
Обновлённая Wikipedia из HTML-дампов августа 2025: 325 языков, чистые статьи и метаданные.
Многоязычные деревья сообщений «��ромптер — ассистент» для обучения и оценки ассистентов.
Данные для обучения и оценки безопасных ответов: предпочтения, пары вопрос-ответ и промпты на английском.
100 тыс. англоязычных фрагментов из веба с метаданными для проверки токсичной дегенерации нейросетей.
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.
Крупный image-text корпус DataComp-1B с улучшенными подписями от LLaVA-1.5-LLaMA3-8B.
350B+ токенов учебных PDF, отфильтрованных из FinePDFs классификатором образовательного качества.
Англоязычные тексты, сгенерированные GPT-3, для детекции неявной ненависти (text-classification).
25,9 млн строк дневных цен по 7 764 акциям с 1962 по 2026 год.