Датасеты с Hugging Face с описанием на русском: что внутри и какие модели на них обучить. В каталоге уже 1 103, новые добавляются каждый час.
Отвечает DeepSeek · переписка хранится только в этой вкладке
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.
Наборы для оценки доменной адаптации LLM в финансах из статьи ICLR 2024.
33 тыс. очищенных диалогов с парными человеческими оценками моделей из Chatbot Arena.
Небольшой набор джейлбрейк-промптов ChatGPT для изучения обхода ограничений.
340 юридических экзаменов из Швейцарии, ЕС и международного права для проверки reasoning-моделей.
Пары сравнений ответов, отобранные для обучения reward-моделей из статьи WebGPT.
Крупный корпус пар изображение-текст, где фразы из подписи привязаны к соответствующим областям картинки.
110 тыс. китайских примеров с ответами R1, собранных в поле output для обучения SFT.
Табличные и текстовые инструкции для обучения LLM автономно выполнять задачи data science.
Крупный корпус кода на английском и японском для обучения и дообучения языковых моделей.
999 847 персон с 1 290 категориальными признаками для генерации и анализа персонажей.
Почти дедуплицированная версия The Stack v2 — крупный корпус кода для обучения LLM, сгруппированный по репозиториям.
200 тыс. китайских пар инструкция–ответ для выравнивания и обучения языковых моделей.
Крупный набор инструкций и ответов на русском для обучения моделей следовать командам.
Машинно-сгенерированные трассы Claude с CoT, tool-use и coding-агентами на английском.
3307 ценностей, выраженных Claude в сотнях тысяч реальных диалогов, с классификацией без доступа людей к перепискам.
Вопросы, ответы и трассы рассуждений от DeepSeek-R1, OpenThoughts, LIMO и других моделей.
Английские списки аспектов и свободные описания музыки от музыкантов для 5 521 примера.
Крупная коллекция символической музыки в MIDI с аннотациями для детекции музыкальных лупов.
Текстовые и табличные данные на 100 тыс.–1 млн записей от Cognitive Computations для обучения генеративных моделей.
Англоязычный набор из 177 597 финансовых инструкций и вопрос-ответов для дообучения LLM.
Оценка языковых world models по траекториям агентов и ground-truth наблюдениям из реальных сред.
Сабмишны соревнования HackAPrompt по взлому промптов для изучения prompt injection.