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
Необработанные JSON-диалоги ShareGPT 90k с инструкцией по склейке и проверке файлов.
6 тыс. синтезированных задач уровня операторов для генерации и оптимизации CUDA-ядер.
Небольшой набор задач по физике, математике, биологии и химии с картинками для проверки пошаговых рассуждений.
Английский набор предпочтений для математики в DPO-формате; карточка почти пустая.
Около 50 тыс. примеров для дообучения RAG-моделей с цитированием документов.
Около 260 многораундовых ролеплей-диалогов из новелл со статусами персонажей.
Около 290 тыс. пар text-to-SQL на английском из более чем 20 открытых источников.
SQLite-база тегов и постов Danbooru2023 с последним ID 7 866 491 для генеративных моделей.
Китайские тексты для supervised finetuning и RLHF в jsonl-файле примерно на 5 ГБ.
Крупный англоязычный датасет изображений лиц с описаниями для подписей и генерации.
Переведённые на китайский инструкции Wizard-LM и ответы GPT для обучения китайских инструкционных LLM.
2,7 млн синтетических учебников на 16 ГБ текста для обучения небольших языковых моделей.
Около 1,44 млн корейских примеров с лицензией MIT для коммерчески допустимого обучения.
100K–1M текстов в стиле учебников на английском для обучения небольших языковых моделей.
Коллекция текстов в стиле учебников по разным предметам для обучения и проверки языковых моделей.
700 высококачественных пар вопрос-ответ с длинными цепочками рассуждений на английском.
Подборка присланных решений для 12 челленджей HackAPrompt, включая атаки на промпты и image-only задания.
Описания популярных персонажей из разных медиа со сценариями для генерации и RAG.
Наборы для RL-обучения многошаговому рассуждению с опорой на изображения из статьи Deep But Reliable.
130 тыс. английских SFT-примеров с длинными ответами, сгенерированными QwQ-32B-Preview.
Перевод инструкций LLaVA на китайский; изображения нужно скачивать отдельно из LLaVA.
2 449 китайских вопросов с ответами GPT-4 Turbo и GPT-4o в двух версиях.
Небольшой синтетический набор цепочек рассуждений для широкого круга задач.
Смесь Dolly-15k и отфильтрованного HH-RLHF для обучения и проверки instruction-following моделей.