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
41,8 тыс. пар научных задач и решений на английском и китайском, к каждой — одно или несколько изображений.
110 тыс. китайских примеров с ответами и рассуждениями R1 для SFT.
Крупный набор медицинских пар изображение-вопрос-ответ из PubMed на английском.
50 тыс. нефильтрованных пар инструкция–ответ на английском для обучения языковых моделей.
1,79 млн медицинских примеров с рассуждениями от 7 моделей для SFT.
Медицинские вопросы-ответы из экзаменов на английском и китайском для обучения и проверки QA.
Крупный корпус китайских романов 18+ для языковых и классификационных задач.
Синтетические пары инструкция-ответ на английском для обучения агентных 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.
10 тыс. длинных инструкций 8–64K токенов на en/zh для обучения и оценки long-context LLM.
3,4 млн пар инструкция-ответ на 52 языках, переведённых с английских alpaca-52k и dolly-15k.
Небольшой набор джейлбрейк-промптов ChatGPT для изучения обхода ограничений.
Мультимодальные captions на английском для выравнивания изображений и текста и обучения captioning-моделей.
6 тыс. SFT-примеров на английском и китайском с ответами длиной 2–32 тыс. слов.
340 юридических экзаменов из Швейцарии, ЕС и международного права для проверки reasoning-моделей.
Датасет для обучения моделей редактированию текста по инструкциям на английском.
Пары инструкция–ответ по финансам на основе Alpaca и FiQA плюс 1,3 тыс. синтетических примеров.
Англоязычные тексты по offensive security, red team и пентесту для обучения и проверки моделей.
Корпус текстов для сравнения ответов человека и ChatGPT; подходит для классификации и оценки сходства.
110 тыс. китайских примеров с ответами R1, собранных в поле output для обучения SFT.
Китайский текстовый корпус Zhihu для обучения Open Assistant; от 1 до 10 млн примеров.
Открытые медицинские вопросы с эталонными ответами из сложных экзаменов для проверки рассуждений LLM.
Медицинские задачи с цепочками рассуждений R1 для дообучения моделей.