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
Японские пары вопрос—безопасный ответ для проверки и обучения безопасности LLM.
Крупный мультимодальный датасет для понимания научных изображений: картинки и тексты, задача image-to-text.
Изображения, текст и табличные поля из Midjourney; в карточке заявлено 55 млн сообщений.
Переформатированный Anthropic HH в виде prompt, chosen и rejected для обучения предпочтениям.
7 тыс. многоходовых траекторий работы агента с поисковыми инструментами на английском и китайском.
Китайский текстовый корпус промптов COIG-PC объёмом от 100 млн до 1 млрд примеров.
Небольшой набор ответов Claude Opus 4.5 с глубокими цепочками рассуждений для дистилляции открытых LLM.
PDF-страницы, переведённые OCR в plain-text с порядком чтения, для обучения и проверки OCR-пайплайнов.
Трейсы диалогов на английском для обучения лёгких моделей вызову функций Android по инструкции.
Объявления компаний, финансовые новости, статьи и тесты на китайском в JSONL.
160 успешных траекторий агента Gemini на задачах OSWorld с шагами и оценкой 1.0.
650 тыс. синтетических текстов-учебников от детского сада до аспирантуры на основе Phind-CodeLlama.
Очищенная версия Huatuo26M для обучения китайских медицинских моделей.
Оригинальный арт и его контекстные вариации для задач image-to-image и стилизации.
Поведенческие текстовые данные по четырём измерениям MBTI на en и zh, объёмом 100 тыс.–1 млн, для SFT и DPO.
3 000 примеров ответов GPT-4 в более чем 2 000 многоходовых диалогах на английском для обучения чат-моделей.
SFT- и DPO-данные на английском для обучения и воспроизведения deep research агента MiroThinker-v0.1 на Qwen3.
997 трасс рассуждений по 13 дисциплинам кибербезопасности и 4 областям системной инженерии.
516k задач и 1,2 млн решений DeepSeek R1 с проверкой ответов — для обучения математическому reasoning.
40 тыс. примеров из нескольких DPO-датасетов для обучения моделей предпочтениям.
9 736 симулированных ролевых диалогов на английском в формате ShareGPT, много NSFW.
Коллекция англоязычных промптов для генерации реалистичных фотопортретов моделью FLUX.1.
2 000 пар изображение–промпт для исследований привязки промптов, стиля и эстетики в text-to-image.
Промпты и сгенерированные ответы, на которых обучали GPT4All-J и GPT4All-J-LoRA.