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
118 тыс. научных STEM-задач с пошаговыми CoT-рассуждениями для SFT и alignment.
Отобранные китайские вопросы с ответами GPT-4 в кратком стиле, вдохновлённые COIG-CQIA.
120 тыс. инструкций по программированию в стиле Alpaca с колонкой prompt — для дообучения кодовых моделей.
2,58 млн пар «инструкция — ответ» на английском, созданных дистилляцией от gpt-3.5-turbo.
100K–1M примеров в ShareGPT для обучения инструкциям, ответы сгенерированы Sonnet 3.5 без цензуры.
Около 8 тыс. реальных диалогов с мемами из Douyin, Xiaohongshu и Bilibili для обучения разговорной модели.
Открытый диалоговый датасет для SFT: промпты и ответы text-davinci-003 на английском и китайском.
Набор картинок с подписями для обучения генерации персонажей D&D: расы и классы, примерно по 30 изображений.
Текстовые примеры рассуждений без отказов для обучения и проверки reasoning-моделей.
Длинные романы и иерархические планы для обучения моделей связному повествованию.
Общий набор задач «проблема — рассуждение — ответ» для посттренинга LLM, очищенный от дублей и утечек.
Изображения счетов и чеков с текстом для OCR; в карточке мало описания.
Небольшой набор китайских ролевых диалогов в формате ShareGPT, собранный из нескольких источников.
Медицинские термины и их объяснения из Википедии для задач, где нужны определения.
Около 400 тыс. сгенерированных ChatGPT ролевых диалогов на китайском с описанием персонажей.
История фьючерсов Binance по BTC, ETH, BNB и SOL: 1-минутные свечи и метрики с 2020–2021 по 2026 год.
20 тыс. пар предпочтений на английском и китайском для DPO-обучения в LLaMA Factory.
Очищенная и категоризированная версия lmsys-chat-1m для обучения и оценки чат-моделей.
Небольшой набор однозначных STEM-задач с проверяемыми ответами для оценки рассуждений LLM.
Изображения мобильных интерфейсов с рамками и классами text, images и groups для object detection.
1 103 пары контекст-продолжение для оценки способности LLM продолжать драматические сценарии.
Табличные и текстовые данные с ограниченным доступом; состав и объём в карточке не описаны.
Курированный корпус инструкций на 1,75 млн примеров для обучения LLM следованию инструкциям.
16 726 пар вопрос-ответ из финансовых звонков с тремя уровнями уклончивости для классификации.