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
Аудиокорпус lofi-музыки на 7000+ часов с текстовыми промптами, сгенерированный MusicGen Large.
200 тыс. китайских пар инструкция–ответ для выравнивания и обучения языковых моделей.
10–100 млн примеров OCR: полные транскрипции страниц в Markdown с LaTeX и HTML-таблицами для обучения end-to-end OCR.
363 тыс. уникальных примеров инструкций без RLHF, очищенных от дублей для обучения генеративных моделей.
Отобранные многораундовые диалоги GPT-4 на китайском, английском и других языках.
Небольшой набор мультимодальной обратной связи для выравнивания vision-language моделей.
Очищенный датасет рассуждений GLM-5.1 на 1M примеров, приведённый к единой SFT-схеме.
Крупный набор инструкций и ответов на русском для обучения моделей следовать командам.
Пары вопрос-ответ и инструкции для оценки и обучения ролевого поведения LLM на китайском и английском.
Подборка 2 млн математических вопросов и ответов с разных сайтов Stack Exchange.
Реальные диалоги агента с пошаговыми рассуждениями и результатами вызова инструментов на английском.
157 тыс. синтетических выписок с парами вопрос-ответ для обучения клинических LLM.
Крупный корейский синтетический корпус в стиле учебников, сгенерированный Gemini Pro.
44,6 тыс. пар вопрос-ответ с длинным контекстом и цитатами на уровне предложений.
Расшифровки качественных интервью о том, как 1 250 профессионалов используют AI в работе.
Крупная коллекция текстов для обучения языковых моделей, в том числе по коду.
35 типов логических задач с автоматической проверкой ответов для RL с верифицируемыми наградами.
Готовая тысяча примеров в prompt-формате Llama 2 для быстрого файнтюнинга chat-модели.
17 часов английской речи с аннотациями невербальных звуков и эмоций для expressive TTS.
Около 580 тыс. задач-доказательств, 550 тыс. формализаций в Lean 4 и 900 тыс. рассуждений модели.
7 716 JSONL-примеров вопрос-ответ для SFT-дистилляции reasoning-моделей.
Английский набор для тренировки ChatQA: QA-датасеты, SFT-данные и синтетические диалоги.
Обучающая смесь из кода, математики и научных задач для тренировки reasoning-модели Sky-T1-32B.
VQA-датасет на основе Localized Narratives: пары вопрос-ответ по изображениям.