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
Синтетические personas на основе демографии, географии и черт характера жителей Вьетнама.
6 млн изображений, сгенерированных FLUX.1-dev, и 20 млн англо-китайских описаний для обучения генеративных моделей.
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.
3,2 млн диалогов людей с ChatGPT без токсичных входов и ответов.
204 тыс. пар «запрос — ответ» на 65 языках для обучения и оценки многоязычных LLM.
200 часов синхронных записей от первого лица с RGB, LiDAR-глубиной, аудио и текстом для embodied AI и робототехники.
Набор инструкций по программированию на английском для обучения генерации кода с обратной связью.
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.
Исправленная версия Stanford Alpaca для инструкционного дообучения на английском.
Пары вопрос-ответ по патологическим снимкам для обучения и проверки медицинских VQA-систем.
23,7 тыс. часов спонтанной речи и чтения на 22 языках Индии, из них 11,2 тыс. часов с транскриптами.
Коллекция MS MARCO для поиска: вопросы Bing, ответы, пассажи и задачи ранжирования.
18 тыс. описаний задач и решений на Python в Alpaca-формате для обучения генерации кода.
Видео-вопросы для проверки визуально-пространственного понимания у мультимодальных моделей.
176 языков, разметка LOC/PER/ORG в IOB2 на основе статей Википедии.
4,79 млрд взаимодействий и аудиоэмбеддинги для ранжирования и поиска музыки.
735 тыс. синтетических примеров рассуждений по 28 тыс. задач competitive programming.
64K промптов и 256K ответов LLM с оценками для обучения reward- и critic-моделей.
654 тыс. wav-файлов с репликами персонажей Genshin Impact на китайском, английском, японском и корейском.
Набор высококачественных 4K/8K-видео со структурированными подписями для генерации видео.
Полный корпус LaTeX-исходников arXiv, разобранный и выровненный с официальными метаданными в Parquet.
Высококачественные англо- и китайскоязычные веб-тексты L3 с усиленными сигналами рассуждения для обучения LLM.