Датасеты с Hugging Face с описанием на русском: что внутри и какие модели на них обучить. В каталоге уже 1 103, новые добавляются каждый час.
Отвечает DeepSeek · переписка хранится только в этой вкладке
Аудиокниги LibriVox на 8 языках с текстами для ASR, TTS и речевых исследований.
Вопросы с изображениями и текстом по разным дисциплинам для проверки мультимодального понимания.
433 тыс. пар предложений с разметкой textual entailment для обучения и проверки NLI-моделей.
161 тыс. сообщений на 35 языках с оценками качества и деревьями диалогов для обучения ассистентов.
Обработанный UltraFeedback: 64 тыс. промптов с ответами моделей и оценками GPT-4, сведёнными в пары предпочтений.
Мультимодальный английский датасет научных вопросов с вариантами ответов и изображениями.
Полный набор задач FLAN в parquet — около 300 ГБ английских текстов для обучения инструкциям.
1 440 de novo минибелков 50–120 остатков против 16 целей, созданных агентами Claude и проверенных в CRO.
Более 10 тыс. задач Codeforces для обучения и проверки рассуждений кодовых моделей.
Набор юридических текстовых задач для оценки понимания языка моделями на английском.
Дедуплицированный корпус Python-файлов с GitHub для обучения моделей генерации кода.
MMLU-вопросы на 42 языках с машинным переводом, профессиональной правкой и разметкой культурной чувствительности.
Посттренировочные SFT и RL данные NVIDIA для математики, кода, рассуждений и инструкций на шести языках.
Обработанные on-chain сделки Polymarket в таблицах и тексте для анализа рынка и поведения пользователей.
Крупный открытый набор пар «изображение–текст» на английском для качественного дообучения T2I-моделей.
Семь задач классификации твитов: ирония, ненависть, оскорбления, stance, эмодзи, эмоции и сентимент.
Роллауты агентов в разных обвязках по задачам software engineering — для дистилляции и обучения SWE-агентов.
79,6 млн текстовых примеров на основе Википедии для end-to-end обучения небольших reasoning-моделей.
Геопространственные данные Foursquare OS Places: таблицы и текстовые атрибуты мест, доступ по запросу.
Аудио и транскрипты выступлений Европарламента на многих языках для ASR и обучения представлений.
Аудио и текст для ASR и TTS на десятках африканских языков — крупный открытый речевой корпус от Google.
50 тыс. примеров self-alignment с исполняемо проверенными ответами для кодовых моделей.
2 595 веб-готовых .glb-моделей из nvidia/simready-assets для three.js, Babylon.js и других glTF 2.0-просмотрщиков.
Набор инструкционных текстов для второй стадии SFT открытой модели OpenCoder.