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
Курируемый набор изображений и текста для проверки VLM без раздувания multiple-choice и шума.
Машинно-сгенерированные трассы Claude с CoT, tool-use и coding-агентами на английском.
Набор для сравнения OCR и извлечения текста/JSON мультимодальными LLM вроде gpt-4o и gemini-2.0.
234 тыс. пар вопрос-ответ для научных рассуждений, синтезированных из статей через «скелет» аргументации.
Около 110 тыс. примеров с рубриками для обучения и оценки открытой генерации на zh/en.
Метаданные код-корпуса NVIDIA для предобучения LLM семейства Nemotron 3.
Небольшой высококачественный корпус инструкций для эффективного instruction tuning.
1 639 английских скриншотов сайтов с инструкциями и пиксельными целями для проверки веб-навигации.
Набор из 21 млн детальных описаний персон для управляемой генерации синтетических текстов.
3307 ценностей, выраженных Claude в сотнях тысяч реальных диалогов, с классификацией без доступа людей к перепискам.
Более 10 тыс. многоходовых примеров для инструктивного дообучения на английском.
Очищенный SFT-датасет на английском из трасс агента Claude Fable-5, 12 730 записей.
10 тыс. синтетических диалогов пациент–врач с SOAP-резюме, созданных GPT-4.
Около 500 тыс. китайских инструкций от проекта BELLE для обучения по инструкциям.
Англоязычные инструкции с деревьями предпочтений, цепочками рассуждений и multi-turn траекториями для обучения reasoning.
Вопросы, ответы и трассы рассуждений от DeepSeek-R1, OpenThoughts, LIMO и других моделей.
Английские списки аспектов и свободные описания музыки от музыкантов для 5 521 примера.
Синтетические персоны на французском, привязанные к реальным демографическим и географическим распределениям.
Английский набор из 12 000 примеров для обучения и проверки моделей с retrieval-augmented generation.
Крупная коллекция символической музыки в MIDI с аннотациями для детекции музыкальных лупов.
Около 1 млн пар ответов с оценками предпочтений для reward-моделей и выравнивания LLM.
Текстовые и табличные данные на 100 тыс.–1 млн записей от Cognitive Computations для обучения генеративных моделей.
Англоязычный набор из 177 597 финансовых инструкций и вопрос-ответов для дообучения LLM.
Автоматический перевод databricks-dolly-15k на японский для инструкционного обучения.