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
Англоязычный HTML-корпус MINT-1T: часть открытого мультимодального датасета на 1 трлн токенов и 3,4 млрд изображений.
Видео и текстовые пары для обучения и проверки моделей видео-вопрос-ответ.
Бенчмарк по мультимодальному пониманию и reasoning: вопросы с изображениями из многих дисциплин.
22 млн инструкций image-text-to-text для обучения и дообучения больших мультимодальных моделей.
Крупнейший набор схем и PCB: исходники, изображения, метаданные и связанные файлы плат.
Видеокорпус на английском для обучения моделей отвечать на вопросы по видео.
Бенчмарк математического рассуждения по изображениям: IQTest, FunctionQA и PaperQA; языки en, zh, fa.
Вопросы с изображениями и текстом по разным дисциплинам для проверки мультимодального понимания.
Мультимодальный английский датасет научных вопросов с вариантами ответов и изображениями.
Крупный открытый набор пар «изображение–текст» на английском для качественного дообучения T2I-моделей.
Набор для VQA: изображения геометрических схем и текстовые вопросы-ответы на английском, около 1–10 тыс. примеров.
31 тыс. часов спонтанной речи по изображениям на 105 языках Индии, с транскриптами для ASR и мультимодальных задач.
Инфографические графики с текстовой разметкой для понимания и генерации визуализаций.
Огромный англоязычный набор для Document VQA, использованный при дообучении Idefics3.
200 часов синхронных записей от первого лица с RGB, LiDAR-глубиной, аудио и текстом для embodied AI и робототехники.
Визуальные математические задачи с изображениями и текстом для проверки VLM.
Крупный image-text корпус DataComp-1B с улучшенными подписями от LLaVA-1.5-LLaMA3-8B.
Миллионы страниц документов с PDF, TIFF-изображениями и OCR-аннотациями для обучения распознаванию.
Задачи из стран и соревнований с изображениями и текстом для QA и генерации решений.
Англоязычные PDF-страницы из SafeDocs с разметкой для обучения и оценки OCR и vision-language моделей.
Почти втрое больше высококачественных примеров, чем в v1, для обучения VLM вопросам по изображениям и видео.
~3,3 млн веб-изображений с подписями из alt-текста для обучения image-to-text.
15 млн пар «изображение — текст» на английском для обучения и проверки открытых мультимодальных моделей.
4.8M мультимодальных GPT4-Vision-описаний видео для LVLM и text-to-video моделей.