Датасеты с Hugging Face с описанием на русском: что внутри и какие модели на них обучить. В каталоге уже 1 085, новые добавляются каждый час.
Отвечает DeepSeek · переписка хранится только в этой вкладке
15 942 естественных вопроса с ответом «да» или «нет» по фрагменту текста на английском.
Пары вопрос–ответ по математике, дополненные из train-наборов GSM8K и MATH для обучения рассуждениям.
30 задач AIME 2024 на английском в JSONL для проверки математического reasoning.
306 тыс. задач и миллионы решений CoT/TIR для обучения математическому reasoning LLM.
194 тыс. медицинских экзаменационных вопросов с вариантами ответов на английском.
Гибридный синтетико-реальный датасет траекторий для обучения роботов-манипуляторов.
5 331 положительное и 5 331 отрицательное предложение из отзывов Rotten Tomatoes для классификации тональности.
1 274 часа видео от первого лица с синхронным 7-точечным IMU-трекингом рук во время домашних дел.
Корпус веб- и вопросно-ответных текстов для предобучения моделей из релиза K2 Horizon.
Большая коллекция открытых временных рядов для предобучения моделей прогнозирования.
Набор задач по спортивному программированию с разных платформ для обучения и проверки моделей.
Крупнейший очищенный корпус для предобучения на 22 индийских языках, 251 млрд токенов.
22 млн инструкций image-text-to-text для обучения и дообучения больших мультимодальных моделей.
Копия корпуса The Pile с удалёнными книгами, субтитрами и другими защищёнными текстами.
Бенчмарк MRC с вопросами и 4 вариантами ответа на 122 языковых вариантах, включая малоресурсные.
Крупный английский корпус учебных и синтетических текстов для предобучения небольших языковых моделей.
Открытая база продуктов с ингредиентами, аллергенами и пищевой ценностью на нескольких языках.
1,2 млн пар изображение-текст для семи задач редактирования, отфильтрованных по оценкам GPT-4o.
Многоязычные аудио и текст для генерации речи: 101 тыс. часов в оригинале и более 200 тыс. в Emilia-Large.
300 пар issue-PR из Python-репозиториев для проверки автоматического решения GitHub-задач.
Крупный набор реальны�� задач из GitHub для обучения и деконтаминированной оценки LLM-агентов в разработке.
Открытый математический датасет на английском объёмом более 300 млрд токенов для предобучения языковых моделей.
11 855 предложений из кинорецензий с метками тональности для классификации и анализа состава.
Огромный очищенный корпус по STEM, математике, коду и reasoning на английском и китайском.