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
1 тыс. примеров рассуждений на испанском, французском, итальянском и немецком, переведённых с английского.
100 тыс. английских записей с разметкой 55+ категорий PII/PHI для обучения детекции персональных данных.
Около 100 тыс. медицинских диалогов HealthCareMagic для чат-моделей; карточка почти без описания.
Крупный набор синтетических персон по реальным демографическим распределениям Кореи.
Записи спонтанной речи и транскрипции для 348 языков — для обучения ASR и определения языка.
1000 часов двухканальных английских разговоров в 48 кГц для full-duplex и речевых моделей.
Промпты LLM с метками jailbreak или benign для обучения детекторов вредных запросов.
55 тыс. реальных диалогов и оценок предпочтений между более чем 70 LLM в парных битвах.
10 тыс. задач Codeforces и до пяти цепочек рассуждений R1 для обучения моделей соревновательному программированию.
Крупный китайский корпус для предобучения; версия V2 помечена как устаревшая.
Корпус пар «вопрос — предложение» на английском для исследований open-domain question answering.
Миллионы инструкций на английском и китайском для дообучения и оценки LLM.
10 тыс. многошаговых трасс по агентному программированию и reasoning от модели Fable 5.1.
Крупный набор сложных вопросов с эталонными ответами и сгенерированными решениями.
Обновлённый корпус для Nemotron 3: математика, код, английский веб и синтетика.
52 тыс. англоязычных пар инструкция-ответ от GPT-4 по промптам Alpaca для дообучения LLM.
262K синтетических пар запрос-ответ: вредные и похожие безвредные запросы для обучения безопасности.
3 008 коротких рассказов, сгенерированных Claude Opus по промптам Reddit, с заголовками и жанрами.
8 задач NLU на корейском для оценки языковых моделей: от NER и NLI до MRC и DST.
Бенчмарк из 700+ реальных изображений с вопросами и проверяемыми ответами для мультимодальных моделей.
SFT-данные SLAM lab для открытого воспроизведения R1, вдохновлённые Open-r1.
Тысяча трудных вопросов с дистиллированными рассуждениями и решениями от Gemini.
Крупнейший публичный public domain датасет пар изображение-текст для обучения foundation-моделей.
Сырые анонимизированные трассы агента Claude Fable 5 для обучения и анализа агентных сценариев.