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
Видеозаписи 494,7 часа чистого PC/консольного геймплея в 168 играх, разбитые на 776 сессий.
Очищенные пары предпочтений из UltraFeedback для fine-tuning языковых моделей.
Пары «исходное изображение — инструкция — отредактированное изображение» для обучения и проверки моделей image-to-image.
Многошаговые траектории агента OpenHands при решении реальных GitHub-issues из SWE-rebench.
Код на многих языках программирования с permissive-лицензиями после near-дедупликации, около 1,5 ТБ.
Около 30 000 CUDA-ядер, сгенерированных агентом, с эталонными реализациями и метриками.
35 030 экспертных вопросов с выбором ответа по 45 предметам на корейском языке.
10K промптов из демо Vicuna с разметкой токсичности для классификации.
Англоязычный набор данных для предобучения LLM, ориентированный на высокое качество и эффективное масштабирование.
513 млн примеров Aya Collection, разложенных по языкам для удобной загрузки одного или нескольких языков.
2,7 млн статей американских новостных телеграмм 1878–1977 годов с геопривязкой, темами и сущностями.
Набор текстов с разметкой вредных и безопасных запросов и ответов для исследований безопасности LLM.
113 оригинальных долгих задач по разработке ПО на TypeScript, Go, Python, JavaScript и Rust.
Отфильтрованный учебный код из The Stack v2 для обучения языковых моделей программированию.
Почти миллион книг в общественном достоянии из проекта Google Books — 242 млрд токенов текста.
Бинаризованные предпочтения для DPO на основе Capybara: многоходовые диалоги для обучения чат-моделей.
Трейс диалога Qwen и исходные token IDs для разбора описанного Cohere тревожного поведения.
До 950 тыс. часов открытой речи на 24 официальных языках ЕС с автоматическими транскриптами.
Реальные вакансии по аналитике данных из разных источников, собранные ботом и обработанные.
55 тыс. реальных диалогов и оценок предпочтений между более чем 70 LLM в парных битвах.
10 тыс. задач Codeforces и до пяти цепочек рассуждений R1 для обучения моделей соревновательному программированию.
Миллионы инструкций на английском и китайском для дообучения и оценки LLM.
Крупнейший публичный public domain датасет пар изображение-текст для обучения foundation-моделей.
Сырые анонимизированные трассы агента Claude Fable 5 для обучения и анализа агентных сценариев.