Датасеты с Hugging Face с описанием на русском: что внутри и какие модели на них обучить. В каталоге уже 1 085, новые добавляются каждый час.
Отвечает DeepSeek · переписка хранится только в этой вкладке
Подвыборка из 500 математических задач бенчмарка MATH для проверки пошаговых рассуждений.
Речевые данные на 102 языках для обучения и оценки ASR на параллельных предложениях.
Синтетические текстовые данные на английском, сгенерированные SmolLM2 из корпуса FineWeb-Edu.
480 задач от банкиров, консультантов и юристов для проверки AI-агентов в кросс-приложенческих сценариях.
Английский QA-бенчмарк с вопросами, требующими многошагового рассуждения и общих знаний.
Около 500 проверяемых инструкций для оценки того, насколько LLM следует явным ограничениям.
Синтетические короткие рассказы с малым словарём на английском для обучения и проверки языковых моделей.
500 проверенных вручную пар issue–pull request из Python-репозиториев для оценки автоматического решения GitHub-задач.
10 тыс.+ математических задач с решениями для обучения и проверки reasoning-моделей.
Читательский QA-датасет: вопросы к статьям Wikipedia с ответами-фрагментами.
50 тыс. размеченных отзывов о фильмах для бинарной классификации тональности на английском.
Снимок 3,1 млн статей arXiv с метаданными, файлами и PDF.
Претрейн-корпус FineWeb2 на 1000+ языках для обучения языковых моделей.
13 679 краудсорсинговых экзаменационных вопросов по физике, химии и биологии с 4 вариантами ответа и пояснениями.
860 тыс. математических задач с пошаговыми решениями Chain of Thought для обучения reasoning-моделей.
17,3 млн изображений, 24,3 млн примеров и 88,9 млн реплик для тренировки современных открытых vision-language моделей.
Табличные, текстовые и временные научные данные Tahoe-100M для анализа и запросов через агентов.
Крупнейший открытый набор исходного кода с GitHub с полным контекстом репозиториев для предобучения code LLM.
Крупнейший датасет видео от первого лица о ручном труде: 100 405 часов и 2 млн клипов.
114 тыс. примеров рассуждений по математике, науке, коду и головоломкам для обучения LLM.
817 вопросов в 38 категориях для проверки того, насколько модель говорит правду.
500 пар issue–pull request из Python-репозиториев для проверки решения GitHub-задач по unit-тестам.
Более миллиона новостных заметок из 2000+ источников с тематической разметкой — для классификации текстов.
Крупный корпус исходного кода на десятках языков программирования с permissive-лицензиями.