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
Задачи для RL-обучения небольших моделей-оркестраторов инструментов и агентов.
Англоязычный WritingPrompts для генерации историй из работы Hierarchical Neural Story Generation.
Англоязычные пары вопрос—SQL для сложного семантического разбора и кросс-доменных баз данных.
133 млрд токенов математики и кода из Common Crawl для предобучения LLM.
Очищенные промпты и ответы DAPO-Math, совместимые с GRPO-тренером TRL.
500K+ пар «инструкция–видео» для обучения моделей редактирования видео.
40 часов выразительной английской речи: 11 ч чтения в 8 стилях и импровизированные диалоги в 26 стилях.
Бенчмарк из сложных математических задач для проверки reasoning-способностей языковых моделей.
Пары инструкция–ответ по программированию, дополненные GPT-4 для обучения код-ассистентов.
Крупный английский веб-корпус из Common Crawl, отфильтрованный слой L1 для обучения языковых моделей.
Связи изображений и текстов из Wikipedia на многих языках для обучения и проверки мультимодального поиска.
1,25 млн текстовых примеров из открытых источников для обучения и проверки научного reasoning.
150 размеченных примеров open-book QA по финансовым документам публичных компаний с ответами и evidence.
Трейс диалога Qwen и исходные token IDs для разбора описанного Cohere тревожного поведения.
До 950 тыс. часов открытой речи на 24 официальных языках ЕС с автоматическими транскриптами.
13 460 английских диалогов с суммаризацией для обучения и оценки моделей.
78 577 примеров запросов на естественном языке, SQL CREATE TABLE и SQL-запросов для text-to-SQL.
Синтетические пары вопрос-ответ с цепочками рассуждений на общие темы, не только математика и код.
Корпус очищенных полных текстов Wikisource на десятках языков для обучения и оценки языковых моделей.
Отфильтрованная математическая версия OpenThoughts-114k с метаданными и проверяемыми ответами.
Текстовый бенчмарк: по списку рёбер графа выполнить операцию и вернуть итоговые узлы.
Реальные вакансии по аналитике данных из разных источников, собранные ботом и обработанные.
4 млн примеров SFT для математических и кодовых рассуждений; ответы сгенерированы DeepSeek-R1.
Англоязычные финансовые твиты с разметкой на медвежий, бычий и нейтральный сентимент.