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
1,25 млн текстовых примеров из открытых источников для обучения и проверки научного reasoning.
13 460 английских диалогов с суммаризацией для обучения и оценки моделей.
78 577 примеров запросов на естественном языке, SQL CREATE TABLE и SQL-запросов для text-to-SQL.
Синтетические пары вопрос-ответ с цепочками рассуждений на общие темы, не только математика и код.
Корпус очищенных полных текстов Wikisource на десятках языков для обучения и оценки языковых моделей.
4 млн примеров SFT для математических и кодовых рассуждений; ответы сгенерированы DeepSeek-R1.
1 тыс. примеров рассуждений на испанском, французском, итальянском и немецком, переведённых с английского.
Крупный набор синтетических персон по реальным демографическим распределениям Кореи.
Крупный китайский корпус для предобучения; версия V2 помечена как устаревшая.
Корпус пар «вопрос — предложение» на английском для исследований open-domain question answering.
Миллионы инструкций на английском и китайском для дообучения и оценки LLM.
10 тыс. многошаговых трасс по агентному программированию и reasoning от модели Fable 5.1.
Крупный набор сложных вопросов с эталонными ответами и сгенерированными решениями.
Обновлённый корпус для Nemotron 3: математика, код, английский веб и синтетика.
52 тыс. англоязычных пар инструкция-ответ от GPT-4 по промптам Alpaca для дообучения LLM.
262K синтетических пар запрос-ответ: вредные и похожие безвредные запросы для обучения безопасности.
3 008 коротких рассказов, сгенерированных Claude Opus по промптам Reddit, с заголовками и жанрами.
8 задач NLU на корейском для оценки языковых моделей: от NER и NLI до MRC и DST.
Сырые анонимизированные трассы агента Claude Fable 5 для обучения и анализа агентных сценариев.
229 122 юридических документа Австралии на английском: законодательство и судебные акты.
Обновлённый pretraining-корпус NVIDIA с кодом, математикой, английским веб-текстом и синтетикой.
Корпус ответов людей и ChatGPT на вопросы для сравнения и детекции текста.
Корпус из 6,7 млн судебных дел США для обучения и анализа юридических текстов.
Многоязычные реальные диалоги пользователей с ChatGPT для обучения и анализа чат-моделей.