Датасеты с Hugging Face с описанием на русском: что внутри и какие модели на них обучить. В каталоге уже 1 220, новые добавляются каждый час.
Отвечает DeepSeek · переписка хранится только в этой вкладке
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.
27 400 пар «новостной текст — краткое содержание» на корейском для обучения и проверки моделей суммаризации.
Коллекция озвученных аниме-голосов с текстовыми подписями для обучения синтезу речи.
Датасет long instruction-following на 12 тыс. примеров для обучения LLM работе с длинным контекстом.
Годовые отчёты 10-K компаний США, разбитые на разделы и предложения, с метками тональности.
Пары изображений математических формул с LaTeX-кодом для обучения и проверки OCR.
Мультиязычная компиляция датасетов для fine-tuning эмбеддингов под поиск, реранкинг, сходство и классификацию.
Миллион цепочек рассуждений, дистиллированных из KIMI-K2.5, с разбивкой по темам.
Датасет для SFT-дообучения языковой модели генерации связных цепочек рассуждений на английском и китайском.
Небольшой англоязычный DPO-набор из отфильтрованных пар с высоко оценёнными выбранными ответами.
Небольшой набор трейсов рассуждений Claude Opus 4.6 для обучения моделей на неоднозначных и сложных запросах.
Подробные синтетические описания 16,9 млн изображений для обучения и оценки vision-language моделей.
Большой очищенный корпус вьетнамских текстов, собранный из открытых датасетов.
Около 49 772 трасс от qwen3.8-max-preview для SFT и off-policy дистилляции.
Крупный набор инструкций с цепочками рассуждений для обучения reasoning-моделей.
Около 250 тыс. китайских математических задач с пошаговыми решениями, сгенерированных ChatGPT.