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
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.
825 GiB разнообразных английских текстов из 22 высококачественных датасетов для обучения языковых моделей.
Наборы с несколькими изображениями и инструкциями для обучения мультимодальных моделей.
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.
150 тыс. пар изображение–инструкция от GPT-4 для визуального instruction tuning и VQA.
Многоязычные реальные диалоги пользователей с ChatGPT для обучения и анализа чат-моделей.
Крупный открытый речевой датасет на 25 европейских языках для ASR и перевода речи.
Англоязычные книги для обучения языковых моделей и fill-mask; в карточке также описан проект сопоставления книг с экранизациями.
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.