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
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.
Уменьшенные цветные изображения 64×64 для быстрой проверки моделей классификации.
Крупный открытый набор пар «изображение–текст» на английском для качественного дообучения T2I-моделей.
1 276 профилей пространственной транскриптомики, выровненных с изображениями целых срезов, для мультимодальных задач.
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.
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.
101 000 изображений еды по 101 категории для обучения и проверки классификаторов.
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.