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
824 сложных multi-hop вопроса по 2–15 статьям Википедии для проверки фактологии, поиска и рассуждений RAG.
6,3 млн документов и 14,7 млрд токенов математического текста из веба для предобучения и дообучения LLM.
Мультиязычные пары для NLI и других задач: 112,5 тыс. размеченных пар на 14 языках.
Набор для VQA: изображения геометрических схем и текстовые вопросы-ответы на английском, около 1–10 тыс. примеров.
Пары документации и кода из GitHub для поиска кода по естественному языку и обучения моделей кода.
17 тыс. примеров вопросов, цепочек рассуждений и ответов из DeepSeek-R1 для SFT reasoning-моделей.
Бенчмарк: модель получает неструктурированное состояние и отвечает на пять типизированных вопросов вероятностями.
Большой двуязычный текстовый датасет для математических рассуждений и agentic search.
Вопросы AIME 2026 с ответами в LaTeX для оценки моделей на MathArena.
182 тыс. примеров с чередованием текста и изображений для пошаговых визуальных рассуждений.
Тысяча вопросов с трассами рассуждений от DeepSeek R1 для обучения и проверки reasoning-моделей.
Мультидоменные пары вопрос-ответ с вариантами и трассами рассуждений для обучения reasoning-LLM.
ASR-тесты с аудио и текстом, отсортированные по длине и сохранённые в parquet.
58 тыс. комментариев Reddit с разметкой по 27 эмоциям или Neutral для классификации.
31 тыс. часов спонтанной речи по изображениям на 105 языках Индии, с транскриптами для ASR и мультимодальных задач.
Около 900 тыс. соревновательных задач по математике с решениями в формате Chain of Thought.
Английский датасет полезности для выравнивания LLM по фактичности, связности и длине ответов.
Параллельные тексты на 100 языках, где одной стороной пары всегда выступает английский.
Крупная компиляция SFT-данных NVIDIA для math, code, STEM, reasoning и tool calling.
103K сложных математических задач с проверяемыми ответами, очищенных от утечек, для RL-обучения.
100 часов записей встреч с синхронизированными микрофонами, видео и текстом для ASR и анализа встреч.
Датасет для проверки LLM, умеет ли модель находить и различать несколько «иголок» в длинном контексте.
Код из GitHub с уровнями очистки L0–L3 для обучения языковых моделей.
Крупный синтетический датасет пар «скриншот — HTML/CSS-код» для генерации UI по изображению.