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
229 122 юридических документа Австралии на английском: законодательство и судебные акты.
Обновлённый pretraining-корпус NVIDIA с кодом, математикой, английским веб-текстом и синтетикой.
80 тысяч инструкций по коду, сгенерированных по методике Evol-Instruct из WizardCoder.
127K пар запрос-изображение для обучения визуального поиска по документам.
Китайские и английские речи с чистыми транскрипциями, возрастом, полом и эмоциями для TTS.
Корпус ответов людей и ChatGPT на вопросы для сравнения и детекции текста.
Корпус из 6,7 млн судебных дел США для обучения и анализа юридических текстов.
Многоязычные реальные диалоги пользователей с ChatGPT для обучения и анализа чат-моделей.
Крупный открытый речевой датасет на 25 европейских языках для ASR и перевода речи.
4 006 сырых трасс агента с ответами DeepSeek v4 Pro и снапшотом схемы инструментов для SFT.
Крупный тренировочный корпус и eval-набор с выравниванием слов для ASR и TTS на 10 языках.
Вопросы с вариантами ответов на традиционном китайском по 66 школьным и профессиональным предметам для проверки LLM.
Пары вопрос-ответ к медицинским изображениям из MedPix для обучения и тестирования VQA.
105 тыс. синтетических пар для перевода вопросов на естественном языке в SQL-запросы.
Набор человеческих оценок и обратной связи для обучения моделей суммаризации по методу RLHF.
Корпус математических текстов на английском объёмом около 200 ГБ для обучения и проверки языковых моделей.
Около 1 млн текстовых описаний персон США, сгенерированных для обучения и оценки LLM.
5000 многошаговых траекторий агента для обучения и проверки агентных моделей на английском.
Открытый набор из более чем 10 млн 3D-объектов для обучения и проверки 3D-моделей.
254 тыс. очищенных статей китайской Википедии для обучения генеративных моделей на китайском.
Чистый посекционный корпус на арабском и английском для предобучения небольшой LLM.
Коллекция персон для генерации разнообразных синтетических текстов и инструкций.
Крупный набор математических задач, отфильтрованных для RL-обучения языковых моделей.
Параллельные тексты для оценки перевода с английского на множество языков, включая низкоресурсные.