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
300 тыс. текстов на 6 языках с разметкой PII для обучения моделей удаления персональных данных.
Медицинские пары вопрос-ответ; в карточке указана статья 2019 года о question-entailment.
134 реальные задачи, где агент учится в исполняемых средах по многоуровневой обратной связи за 12+ часов.
47 тыс. клинических руководств из 17 медицинских источников для обучения и проверки медицинских LLM.
Отфильтрованные reasoning-трейсы от DeepSeek, Qwen, Gemma и других моделей для дистилляции в малые модели.
Исходный CodeAlpaca, разделённый на train и test; около 20 тыс. текстовых примеров для генерации кода.
Пары «код → текст документации» из CodeSearchNet для обучения генерации описаний по коду.
Более 50 млн документов и 1 млрд пассажей с эмбеддингами jina-v2-base для обучения поиска.
Тексты с персональными данными на английском, французском, немецком и итальянском для обучения privacy masking.
Крупный английский набор многораундовых диалогов, сгенерированных двумя Turbo API.
Около 70 тыс. задач с трассами рассуждений и исполнением кода для обучения TIR-моделей.
Синтетические финансовые документы на шести языках с разметкой персональных данных для обучения NER.
1,8 млн пар «задача — решение» с рассуждениями и кодом для математических LLM.
Крупный набор медицинских задач с пошаговыми рассуждениями для объяснимых ответов LLM.
435 тыс. англоязычных SFT-примеров для тренировки моделей с длинными цепочками рассуждений.
Изображения с подписями и сложными вопросами-ответами на английском для обучения мультимодальных моделей.
53 202 примера system/user/assistant по кибербезопасности в 200+ доменах для обучения защитных ассистентов.
1,8 млн мультимодальных примеров с подробными рассуждениями, дистиллированными из Qwen3-VL-235B-Thinking.
Около 500 тыс. GPT-4-ответов, отфильтрованных по аннотациям FLAN, для обучения инструкционных моделей.
99 870 троек system–user–assistant для защитного SFT по кибербезопасности на английском.
Около 50 тыс. пар инструкция — ответ на китайском, сгенерированных GPT-4 по методу Alpaca.
От 1 до 10 млн англоязычных примеров с цепочками рассуждений для генерации и классификации.
6 ГБ очищенного английского текста из The Pile для обучения моделей в условиях малых данных.
51 набор китайской эротической литературы в JSON: короткие рассказы и личный опыт, для исследований и обучения моделей.