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
Картинки и подписи из конкурса New Yorker для проверки понимания юмора моделями.
Почти втрое больше высококачественных примеров, чем в v1, для обучения VLM вопросам по изображениям и видео.
~3,3 млн веб-изображений с подписями из alt-текста для обучения image-to-text.
15 млн пар «изображение — текст» на английском для обучения и проверки открытых мультимодальных моделей.
4.8M мультимодальных GPT4-Vision-описаний видео для LVLM и text-to-video моделей.
Крупная коллекция image-centric данных для обучения и проверки vision-language моделей; поднаборы в JSONL с описанием.
Связи изображений и текстов из Wikipedia на многих языках для обучения и проверки мультимодального поиска.
127K пар запрос-изображение для обучения визуального поиска по документам.
Пары вопрос-ответ к медицинским изображениям из MedPix для обучения и тестирования VQA.
Крупный корпус пар alt-текст и изображение из HTML для обучения мультимодальных моделей.
1,8 млн пар вопрос-ответ по графикам с Chain-of-Thought аннотациями для обучения VLM.
Датасет NVIDIA для обучения и оценки мультимодальной модели Llama-Nemotron VLM.
Миллион+ AI-изображений с подробными английскими подписями для генерации и описания картинок.
2 млн синтетических примеров для вопросов по картам и трассировки путей; английский язык.
VQA-данные со структурированными аннотациями рассуждений для обучения Vision-Language Models.
1,8 млн мультимодальных примеров с подробными рассуждениями, дистиллированными из Qwen3-VL-235B-Thinking.
Изображения и текст на английском для обучения и проверки доверенных мультимодальных моделей через RLAIF.
Мультимодальные captions на английском для выравнивания изображений и текста и обучения captioning-моделей.
Крупный корпус пар изображение-текст, где фразы из подписи привязаны к соответствующим областям картинки.
Пары картинок и подписей с одинаковыми словами в разном порядке для проверки vision-language моделей.
10–100 млн примеров OCR: полные транскрипции страниц в Markdown с LaTeX и HTML-таблицами для обучения end-to-end OCR.
Небольшой набор мультимодальной обратной связи для выравнивания vision-language моделей.
VQA-датасет на основе Localized Narratives: пары вопрос-ответ по изображениям.
ASID-1M: крупный англоязычный набор инструкций для понимания видео с управляемым описанием.