Датасеты с Hugging Face с описанием на русском: что внутри и какие модели на них обучить. В каталоге уже 1 127, новые добавляются каждый час.
Отвечает DeepSeek · переписка хранится только в этой вкладке
Синтетические пары вопрос-ответ по программированию для обучения ассистентов по коду.
Тексты с OCR-ошибками и исправлениями на французском, английском, итальянском и немецком.
Клинические случаи, классические тексты и QA по традиционной китайской медицине на китайском.
123 тыс. самых сложных image-text примеров из MMFineReason, на которых Qwen3-VL-4B-Thinking стабильно ошибается.
Около 2 млн китайских пар instruction/output, сгенерированных проектом BELLE для обучения моделей инструкциям.
1–10 млн аннотаций из 3DPW, COCO, MPII и других наборов для задач SAM 3D Body.
Набор изображений с текстовыми описаниями для проверки, насколько MLLM точно локализуют объекты.
Синтетические короткие примеры кода на 13 языках программирования и БД — чтобы LLM учились рассуждать кодом.
Крупный набор изображений с подписями под свободной лицензией для обучения генеративных моделей.
От 1 до 10 млн китайских пар инструкция–ответ для SFT, включая дистилляцию DeepSeek-R1.
Объединённый набор инструкций из OIG, Dolly, UltraChat и других источников для SFT.
Тексты с фидбеком на английском, чтобы научить открытую LLM тонко оценивать длинные ответы.
Крупный португалоязычный набор синтетических персон, привязанных к реальным распределениям Бразилии.
Крупный англоязычный видео-датасет с временными сегментами действий и текстовыми описаниями.
Метаданные почти 660 тыс. AI-песен Suno с мультиязычными описаниями и аудиомодальностью.
2,7 млн коротких историй на английском, очищенных от проблем исходного TinyStories, для обучения небольших LLM.
Изображения блюд с метаданными для распознавания еды, классификации и нутриционного анализа.
Датасет холодного старта для SFT моделей, которые учатся многошаговому рассуждению с изображениями.
Корпус фрагментов муниципального и окружного права США с метками юридической функции и темы.
Пошаговые выборы людей из 160 психологических экспериментов в текстовых сценариях на английском.
Около 1 млн пар инструкция–ответ на китайском для обучения моделей следованию командам.
Текстовые данные объёмом 100 тыс.–1 млн примеров; состав и язык в карточке не описаны.
10–100 млн примеров для RL-обучения LLM общим и математическим рассуждениям в разных доменах.
Датасет long instruction-following на 12 тыс. примеров для обучения LLM работе с длинным контекстом.