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
Миллион реальных разговоров с 25 современными LLM из Chatbot Arena и Vicuna.
Диалоговый QA-датасет: 127 тыс. вопросов с ответами из 8 тыс. бесед по текстам из семи доменов.
Набор сложных исследовательских задач с экспертными рубриками для оценки deep research систем.
100 тыс. RAG-примеров из пяти отраслевых доменов для оценки и обучения retrieval-augmented систем.
Крупный корпус пар alt-текст и изображение из HTML для обучения мультимодальных моделей.
Корпус для предобучения генеративных моделей с математикой, кодом и многоязычными Q&A.
Анкеты и оценки предпочтений людей к ответам LLM для preference и value alignment.
1 225 запросов для проверки языковых агентов в многошаговом планировании поездок с ограничениями.
Корпус PubMed для суммар��зации длинных медицинских статей: article и abstract.
Около 10 млн документов для SFT с управляемой глубиной рассуждения low/medium/high через chat template.
3,3 тыс. экспертных парных предпочтений для ответов шести моделей на 80 вопросов MT-Bench.
Медицинский датасет изображений и текста для диагностики узлов щитовидной железы с экспертной разметкой.
17,6 тыс. опубликованных математических задач разной сложности для проверки рассуждающих моделей.
1,8 млн пар вопрос-ответ по графикам с Chain-of-Thought аннотациями для обучения VLM.
51 004 диалога ShareGPT о том, когда и как LLM должна вызывать инструменты.
57 937 отфильтрованных трасс от трёх моделей для SFT в математике, коде, рассуждениях и мультиязычных задачах.
Синтетические медицинские диалоги с цепочками рассуждений для SFT LLM в здравоохранении.
Крупный набор синтетических персон на японском по демографии, географии и чертам личности.
Датасет для обучения Zeta — модели предсказания следующей правки кода в редакторе Zed.
Наборы задач, где по состоянию и вопросу нужно дать типизированное решение: да/нет, класс, число.
Синтетический набор рассуждений Claude Opus 4.6 для SFT и дистилляции в открытые модели.
25M+ медицинских изображений в 10 модальностях с мультимодальными аннотациями по 65 болезням.
112 млрд токенов траекторий агентного кодинга по 122 ты��. pull request и 16 языкам программирования.
300 тыс. текстов на 6 языках с разметкой PII для обучения моделей удаления персональных данных.