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
Табличные аудио-признаки треков Spotify из 125 жанров в CSV.
Медицинские пары вопрос-ответ; в карточке указана статья 2019 года о question-entailment.
134 реальные задачи, где агент учится в исполняемых средах по многоуровневой обратной связи за 12+ часов.
47 тыс. клинических руководств из 17 медицинских источников для обучения и проверки медицинских LLM.
7 тыс. англоязычных бесед, где собеседник проявляет личность, эмпатию и знания.
Отфильтрованные reasoning-трейсы от DeepSeek, Qwen, Gemma и других моделей для дистилляции в малые модели.
Исходный CodeAlpaca, разделённый на train и test; около 20 тыс. текстовых примеров для генерации кода.
Пары «код → текст документации» из CodeSearchNet для обучения генерации описаний по коду.
Более 50 млн документов и 1 млрд пассажей с эмбеддингами jina-v2-base для обучения поиска.
Тексты с персональными данными на английском, французском, немецком и итальянском для обучения privacy masking.
Крупный английский набор многораундовых диалогов, сгенерированных двумя Turbo API.
Мультимодальный набор радиологических снимков с подписями и медицинскими концептами из PMC.
Реконструированные 3D-сцены в USD/USDZ для обучения и проверки end-to-end роботов в NVIDIA Isaac Sim.
Набор синтетических пошаговых рассуждений для дообучения небольших и средних LLM логике.
Около 70 тыс. задач с трассами рассуждений и исполнением кода для обучения TIR-моделей.
24K задач по программированию с тест-кейсами для обучения и проверки кодовых моделей.
Синтетические финансовые документы на шести языках с разметкой персональных данных для обучения NER.
Миллион высококачественных диалогов на английском о социальных взаимодействиях, созданных из графа знаний через InstructGPT.
1,8 млн пар «задача — решение» с рассуждениями и кодом для математических LLM.
Крупный корпус пар «инструкция — ответ» среднего качества плюс меньший высококачественный набор.
Датасет NVIDIA для обучения и оценки мультимодальной модели Llama-Nemotron VLM.
Табличные и текстовые данные, связанные с открытой агентной моделью OpenResearcher для deep research.
Табличные, текстовые и графические данные о 148 909 опубликованных играх Steam для классификации.
Около 80 тыс. английских промптов, собранных из Lexica.art для генерации изображений в Stable Diffusion.