Датасеты с Hugging Face с описанием на русском: что внутри и какие модели на них обучить. В каталоге уже 1 232, новые добавляются каждый час.
Отвечает DeepSeek · переписка хранится только в этой вкладке
100 тыс. примеров общего назначения в формате задача — рассуждение — ответ для постобучения моделей.
Пары изображение-вопрос-ответ с пошаговым рассуждением для обучения мультимодальных CoT-моделей.
3392 отфильтрованных китайских эротических новеллы с Pixiv для обучения генерации текста.
Промпты и ответы из французской арены чат-ботов — для обучения и сравнения LLM.
Текстовый датасет на 10–100 тыс. примеров для reward-моделей RLHF; карточка почти пустая.
10–100 тыс. англоязычных траекторий агентов в 6 доменах для обучения ReAct-моделей.
400 тыс. диалогов из Ultrachat, отфильтрованных от отказов и предвзятости.
Синтетические диалоги, чтобы модель соблюдала системный промпт на протяжении всего разговора.
810 тыс. одноходовых диалогов на китайском с отобранными грубыми ответами от GPT-3.5.
Небольшой англоязычный DPO-набор с NSFW-контентом для формата ролевых ответов «dialogue» *action*.
Объединённый текстовый датасет из Guanaco и Belle на zh/en/ja для обучения Chinese-Vicuna.
Четыре многовидовые последовательности для оценки анимации полнотелого аватара.
Небольшой набор вредных примеров, показывающий, как DPO быстро снимает выравнивание модели.
Рейтинг 8 125 разработчиков GitHub за 2015–2025 годы на основе данных Wayback Machine.
Синтетические аниме-тексты на английском и китайском: более 1 млн записей, около 440 млн токенов GPT-4/3.5.
Корпус длинных цепочек рассуждений для предобучения моделей на олимпиадной математике.
Набор персонажей и диалогов на китайском, сгенерированных GPT-3.5 и GPT-4 для ролевых моделей.
Набор изображений и текстов для обучения мультимодальных моделей фильтрации взрослого контента.
~55 тыс. англоязычных инструкций с системными промптами Orca для обучения рассуждению.
Около 10 тыс. пар инструкция-ответ на темы эзотерики, духовности и паранормального.
Промпты для генерации обучающих данных retrieval-эмбеддингов, созданные синтетически по seed-задачам.
Японский перевод сложного экзамена Humanity's Last Exam для оценки знаний и рассуждений LLM.
Очень маленький англоязычный таблично-текстовый бенчмарк SAM Audio Judge для оценки аудио.