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
1,06 млн траекторий (state, action, next_state) с реальных сайтов для обучения браузерных world-моделей.
Англоязычный датасет question-answering для систем генерации кода с улучшением.
Крупный корпус кода на английском и японском для обучения и дообучения языковых моделей.
30 тыс. триплетов из реальных клинических заметок, синтетических диалогов и структурированных данных.
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.
Текстовые QA-примеры с синтетическими рассуждениями от Claude, без ручной проверки.
Около 4,5 млн синтетических примеров FLANv2 с ответами GPT-4 и GPT-3.5 для инструкционной настройки.
200 тыс. китайских пар инструкция–ответ для выравнивания и обучения языковых моделей.
363 тыс. уникальных примеров инструкций без RLHF, очищенных от дублей для обучения генеративных моделей.
Отобранные многораундовые диалоги GPT-4 на китайском, английском и других языках.
Небольшой набор мультимодальной обратной связи для выравнивания vision-language моделей.
Очищенный датасет рассуждений GLM-5.1 на 1M примеров, приведённый к единой SFT-схеме.
Крупный набор инструкций и ответов на русском для обучения моделей следовать командам.
Подборка 2 млн математических вопросов и ответов с разных сайтов Stack Exchange.
Реальные диалоги агента с пошаговыми рассуждениями и результатами вызова инструментов на английском.
157 тыс. синтетических выписок с парами вопрос-ответ для обучения клинических LLM.
44,6 тыс. пар вопрос-ответ с длинным контекстом и цитатами на уровне предложений.
Крупная коллекция текстов для обучения языковых моделей, в том числе по коду.
35 типов логических задач с автоматической проверкой ответов для RL с верифицируемыми наградами.
Около 580 тыс. задач-доказательств, 550 тыс. формализаций в Lean 4 и 900 тыс. рассуждений модели.
7 716 JSONL-примеров вопрос-ответ для SFT-дистилляции reasoning-моделей.
234 тыс. пар вопрос-ответ для научных рассуждений, синтезированных из статей через «скелет» аргументации.
Около 110 тыс. примеров с рубриками для обучения и оценки открытой генерации на zh/en.