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
Крупный открытый речевой датасет на 25 европейских языках для ASR и перевода речи.
4 006 сырых трасс агента с ответами DeepSeek v4 Pro и снапшотом схемы инструментов для SFT.
Вопросы с вариантами ответов на традиционном китайском по 66 школьным и профессиональным предметам для проверки LLM.
105 тыс. синтетических пар для перевода вопросов на естественном языке в SQL-запросы.
Корпус математических текстов на английском объёмом около 200 ГБ для обучения и проверки языковых моделей.
Около 1 млн текстовых описаний персон США, сгенерированных для обучения и оценки LLM.
5000 многошаговых траекторий агента для обучения и проверки агентных моделей на английском.
254 тыс. очищенных статей китайской Википедии для обучения генеративных моделей на китайском.
Чистый посекционный корпус на арабском и английском для предобучения небольшой LLM.
Коллекция персон для генерации разнообразных синтетических текстов и инструкций.
Крупный набор математических задач, отфильтрованных для RL-обучения языковых моделей.
Параллельные тексты для оценки перевода с английского на множество языков, включая низкоресурсные.
Диалоговый QA-датасет: 127 тыс. вопросов с ответами из 8 тыс. бесед по текстам из семи доменов.
Корпус для предобучения генеративных моделей с математикой, кодом и многоязычными Q&A.
1 225 запросов для проверки языковых агентов в многошаговом планировании поездок с ограничениями.
Корпус PubMed для суммар��зации длинных медицинских статей: article и abstract.
3,3 тыс. экспертных парных предпочтений для ответов шести моделей на 80 вопросов MT-Bench.
17,6 тыс. опубликованных математических задач разной сложности для проверки рассуждающих моделей.
51 004 диалога ShareGPT о том, когда и как LLM должна вызывать инструменты.
57 937 отфильтрованных трасс от трёх моделей для SFT в математике, коде, рассуждениях и мультиязычных задачах.
Синтетические медицинские диалоги с цепочками рассуждений для SFT LLM в здравоохранении.
Крупный набор синтетических персон на японском по демографии, географии и чертам личности.
25M+ медицинских изображений в 10 модальностях с мультимодальными аннотациями по 65 болезням.
112 млрд токенов траекторий агентного кодинга по 122 ты��. pull request и 16 языкам программирования.