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
От 1 до 10 млн китайских пар инструкция–ответ для SFT, включая дистилляцию DeepSeek-R1.
Тексты с фидбеком на английском, чтобы научить открытую LLM тонко оценивать длинные ответы.
Крупный португалоязычный набор синтетических персон, привязанных к реальным распределениям Бразилии.
10–100 млн примеров для RL-обучения LLM общим и математическим рассуждениям в разных доменах.
Годовые отчёты 10-K компаний США, разбитые на разделы и предложения, с метками тональности.
Миллион цепочек рассуждений, дистиллированных из KIMI-K2.5, с разбивкой по темам.
Датасет для SFT-дообучения языковой модели генерации связных цепочек рассуждений на английском и китайском.
Около 49 772 трасс от qwen3.8-max-preview для SFT и off-policy дистилляции.
7 тыс. многоходовых траекторий работы агента с поисковыми инструментами на английском и китайском.
3 000 примеров ответов GPT-4 в более чем 2 000 многоходовых диалогах на английском для обучения чат-моделей.
SFT- и DPO-данные на английском для обучения и воспроизведения deep research агента MiroThinker-v0.1 на Qwen3.
997 трасс рассуждений по 13 дисциплинам кибербезопасности и 4 областям системной инженерии.
40 тыс. примеров из нескольких DPO-датасетов для обучения моделей предпочтениям.
9 736 симулированных ролевых диалогов на английском в формате ShareGPT, много NSFW.
Бенчмарк для оценки ролевых агентов в китайских и английских сценариях.
Английский бенчмарк проверяет, соблюдает ли кодинг-агент правила при работе с репозиторием.
Синтетические пары «описание → shell-команда» на 10 языках для обучения LLM администрированию Linux.
Траектории агентного кодинга в Claude Code для бенчмарка CC-Bench-V1.1 на 74 задачах.
52 тыс. примеров function calling на английском с SYSTEM, USER, ASSISTANT и JSON-вызовами функций.
5 тыс. восстановленных цепочек рассуждений от Claude 4.7-Max для SFT и DPO на нескольких языках.
1,3 млн файлов исходного кода от ~4,7 тыс. топовых разработчиков GitHub на 80+ языках программирования.
460 тыс. очищенных примеров математических рассуждений на английском для обучения и проверки reasoning-моделей.
Подмножество DISC-Med-SFT с текстовыми медицинскими вопросами и ответами на китайском для обучения и проверки QA-моделей.
Переводы GPT4ALL, Dolly и Vicuna на корейский для обучения моделей по инструкциям.