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
370 тыс. пар вопрос–ответ с пошаговыми CoT-обоснованиями и краткими выводами для медицинских задач.
Данные CodeActInstruct: многошаговые задачи, где агент действует исполняемым Python-кодом.
118 тыс. научных STEM-задач с пошаговыми CoT-рассуждениями для SFT и alignment.
Отобранные китайские вопросы с ответами GPT-4 в кратком стиле, вдохновлённые COIG-CQIA.
Около 8 тыс. реальных диалогов с мемами из Douyin, Xiaohongshu и Bilibili для обучения разговорной модели.
Открытый диалоговый датасет для SFT: промпты и ответы text-davinci-003 на английском и китайском.
Длинные романы и иерархические планы для обучения моделей связному повествованию.
20 тыс. пар предпочтений на английском и китайском для DPO-обучения в LLaMA Factory.
Небольшой набор однозначных STEM-задач с проверяемыми ответами для оценки рассуждений LLM.
1 103 пары контекст-продолжение для оценки способности LLM продолжать драматические сценарии.
Проверка, знает ли LLM, чего не знает, и умеет ли исправлять ошибки.
Задачи по науке, коду и математике с подробным chain of thought и правильным ответом для обучения reasoning-моделей.
GPT-4-персонажи и диалоги на русском и английском для обучения ролевых языковых моделей.
Датасет генераций по промптам, на котором обучали GPT4All; английский текст, от 100 тыс. до 1 млн примеров.
Оцифрованные судебные решения США на английском для обучения и анализа юридических текстов.
Бенчмарк для оценки LLM в full-stack разработке через парадигму Agent-as-a-Verifier.
9 тыс. примеров цепочек рассуждений, восстановленных через Trace Inversion, для SFT и DPO.
Короткий набор пар вопрос-ответ по психическому здоровью из популярных медицинских источников.
6 тыс. синтезированных задач уровня операторов для генерации и оптимизации CUDA-ядер.
Небольшой набор задач по физике, математике, биологии и химии с картинками для проверки пошаговых рассуждений.
Английский набор предпочтений для математики в DPO-формате; карточка почти пустая.
SQLite-база тегов и постов Danbooru2023 с последним ID 7 866 491 для генеративных моделей.
Китайские тексты для supervised finetuning и RLHF в jsonl-файле примерно на 5 ГБ.
Переведённые на китайский инструкции Wizard-LM и ответы GPT для обучения китайских инструкционных LLM.