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
2,7 млн синтетических учебников на 16 ГБ текста для обучения небольших языковых моделей.
100K–1M текстов в стиле учебников на английском для обучения небольших языковых моделей.
700 высококачественных пар вопрос-ответ с длинными цепочками рассуждений на английском.
Подборка присланных решений для 12 челленджей HackAPrompt, включая атаки на промпты и image-only задания.
130 тыс. английских SFT-примеров с длинными ответами, сгенерированными QwQ-32B-Preview.
Смесь Dolly-15k и отфильтрованного HH-RLHF для обучения и проверки instruction-following моделей.
10K+ трудных примеров для обучения и проверки агентов, использующих инструменты.
Короткий англоязычный набор диалогов для обучения ИИ отыгрывать вымышленных персонажей с характерами.
59 438 инструкций с парами предпочтений для RLHF на английском и китайском.
810 тыс. медицинских вопросов с пошаговыми chain-of-thought ответами на английском для SFT.
110 113 пар медицинских запросов и ответов на китайском для обучения LLM.
Крупный турецкоязычный датасет в формате MMLU для проверки и обучения языковых моделей.
222 тыс. очищенных инструкций на английском для обучения языковых моделей следовать командам.
Небольшой набор вычислительных STEM-задач для проверки глубокого reasoning LLM.
Более 3 тыс. отобранных многотуровых диалогов людей с GPT-4 для обучения и оценки чат-моделей.
Машинный перевод OpenOrca на китайский: около 1M ответов GPT-4 и 3,2M ответов GPT-3.5 для обучения LLM.
150 тыс. пар инструкция-ответ с пассажами и reflection-токенами для адаптивного поиска.
Предложения на японском из веб-романов и их английский фанатский перевод для задач перевода.
Небольшой SFT-набор кодинг-агентов с пошаговыми рассуждениями и паттернами инструментов.
10–100 тыс. англоязычных траекторий агентов в 6 доменах для обучения ReAct-моделей.
Небольшой англоязычный DPO-набор с NSFW-контентом для формата ролевых ответов «dialogue» *action*.
Синтетические аниме-тексты на английском и китайском: более 1 млн записей, около 440 млн токенов GPT-4/3.5.