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
Метаданные код-корпуса NVIDIA для предобучения LLM семейства Nemotron 3.
Набор из 21 млн детальных описаний персон для управляемой генерации синтетических текстов.
Более 10 тыс. многоходовых примеров для инструктивного дообучения на английском.
Очищенный SFT-датасет на английском из трасс агента Claude Fable-5, 12 730 записей.
Синтетические персоны на французском, привязанные к реальным демографическим и географическим распределениям.
Английский набор из 12 000 примеров для обучения и проверки моделей с retrieval-augmented generation.
Около 1 млн пар ответов с оценками предпочтений для reward-моделей и выравнивания LLM.
Англоязычный набор из 177 597 финансовых инструкций и вопрос-ответов для дообучения LLM.
Смесь инструкционных данных на английском для SFT языковых ассистентов Tulu.
Оценка языковых world models по траекториям агентов и ground-truth наблюдениям из реальных сред.
10–100 тыс. китайских пар инструкция–ответ для дообучения текстовых моделей; только для исследований.
242 тыс. преимущественно GPT-4-примеров из открытых источников для обучения инструкциям.
1 899 задач, где модель должна учиться новым правилам и процедурам из контекста, а не из предобучения.
Сырые JSONL-трассы агентных вызовов Qwen3.7 Max с готовой схемой инструментов.
Данные для обучения языковых моделей построению маршрутов общественного транспорта в городах Китая.
Синтетические тексты на английском для instruction tuning и fine-tuning моделей генерации ответов.
364 420 пар вопрос-ответ по медицине на китайском для обучения и проверки медицинских LLM.
Пары вопрос-ответ по научным статьям arXiv на английском для обучения и проверки QA-систем.
Около 8K текстовых примеров для обучения моделей параллельному координированному reasoning в рамках PaCoRe.
1–10 тыс. примеров для проверки, соблюдает ли модель заданную схему JSON/YAML при разных формулировках запроса.
Пары вопрос–ответ из реальных консультаций с психологами для обучения эмпатичным диалогам.
Клинические случаи, классические тексты и QA по традиционной китайской медицине на китайском.
123 тыс. самых сложных image-text примеров из MMFineReason, на которых Qwen3-VL-4B-Thinking стабильно ошибается.
Синтетические короткие примеры кода на 13 языках программирования и БД — чтобы LLM учились рассуждать кодом.