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
25,9 млн строк дневных цен по 7 764 акциям с 1962 по 2026 год.
Миллионы страниц документов с PDF, TIFF-изображениями и OCR-аннотациями для обучения распознаванию.
Задачи из стран и соревнований с изображениями и текстом для QA и генерации решений.
141 млн английских веб-документов с текстом и изображениями из Common Crawl для мультимодальных моделей.
Отфильтрованный набор текстовых задач для улучшения логических рассуждений LLM.
Англоязычные PDF-страницы из SafeDocs с разметкой для обучения и оценки OCR и vision-language моделей.
Видеозаписи 494,7 часа чистого PC/консольного геймплея в 168 играх, разбитые на 776 сессий.
Китайский предтренировочный корпус 10–100 млн текстов, отобранных для образовательных NLP-задач.
Высококачественный набор инструкций на китайском для SFT из интернет-вопросов и статей.
Текстовый SFT-набор для обучения Nemotron-Cascade-2, включая математику и науку.
Очищенные пары предпочтений из UltraFeedback для fine-tuning языковых моделей.
Крупный английский корпус, отредактированный фреймворком UltraX для предобучения языковых моделей.
Картинки и подписи из конкурса New Yorker для проверки понимания юмора моделями.
Англоязычные диалоги для SFT моделей до 1B параметров, использованные в SmolLM2-Instruct.
Коллекция дополненных FLAN-данных, выровненная с распределением Orca, для обучения инструкциям.
Пары «исходное изображение — инструкция — отредактированное изображение» для обучения и проверки моделей image-to-image.
Многовариантные медицинские вопросы с врачебных экзаменов на английском, упрощённом и традиционном китайском.
Бенчмарк HumanEval на шести языках программирования для трёх задач генерации и проверки кода.
Большой англоязычный корпус из открытых датасетов с фильтрацией и дедупликацией для обучения LM.
Предобработанные датасеты для RAG-исследований: 36 бенчмарков и ресурсы FlashRAG.
Многошаговые траектории агента OpenHands при решении реальных GitHub-issues из SWE-rebench.
Задачи по математике с цепочками рассуждений и программами для обучения инструкционных моделей.
Симулятор-бенчмарк для оценки LLM-агентов в многошаговых enterprise-задачах с инструментами.
Набор из 500 вредоносных инструкций на английском для проверки устойчивости языковых моделей к adversarial-атакам.