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
10K+ трудных примеров для обучения и проверки агентов, использующих инструменты.
1–10 тыс. англоязычных изображений Midjourney с короткими и подробными промптами для text-to-image.
Короткий англоязычный набор диалогов для обучения ИИ отыгрывать вымышленных персонажей с характерами.
Около 300 тыс. обучающих и 5 тыс. тестовых вопросов для понимания длинных видео.
Короткие записи стандартного текста для обучения и проверки распознавания речи.
Более 100 тыс. пар вопрос-ответ на хинди, телугу и английском для чат-ботов и голосовых агентов.
59 438 инструкций с парами предпочтений для RLHF на английском и китайском.
Неофициальная копия Code Bagel: около 800 млн токенов уникального кода более чем на 100 языках.
Синтетические примеры кода с внесёнными багами, объяснениями от первого лица и исправлениями для обучения моделей.
32 тыс. синтетических многораундовых инструкций от Claude с двумя уточняющими шагами.
810 тыс. медицинских вопросов с пошаговыми chain-of-thought ответами на английском для SFT.
Около 115 млн токенов синтетических учебников по программированию на английском для обучения небольших LLM.
Пары реальных запросов Chatbot Arena и качественных ответов GPT-5-Chat без отказов для дистилляции.
Корпус китайскоязычных текстов для обучения и настройки Taiwan LLM.
Малый набор токсичных DPO-примеров, показывающий, как быстро снять цензуру модели через direct preference optimization.
Аудиозаписи индийских дикторов с четырьмя эмоциями и текстом абзаца для классификации эмоций.
220 тыс. визуально выровненных инструкций по изображениям LVIS, созданных с помощью GPT-4V.
110 113 пар медицинских запросов и ответов на китайском для обучения LLM.
Около 500 тыс. длинных ответов QwQ-32B-Preview на сложные персона-промпты.
Небольшой набор текстовых промптов с диалогами человек-ассистент, превращающих StarCoder в техпомощника.
Анонимные зарплаты и профессиональные данные IT-работников Италии из еженедельного опроса.
Крупный турецкоязычный датасет в формате MMLU для проверки и обучения языковых моделей.
100 тыс.+ примеров SFW и NSFW промптов и текстов с Reddit для обучения креативному письму.
24 вопроса для оценки LLM как ассистента в нецензурированном креативном письме, с ручной проверкой.