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
Многоязычный датасет для text-generation в проекте MiniMind; состав данных в карточке не раскрыт.
47 тыс. клинических руководств из 17 медицинских источников для обучения и проверки медицинских LLM.
Отфильтрованные reasoning-трейсы от DeepSeek, Qwen, Gemma и других моделей для дистилляции в малые модели.
Исходный CodeAlpaca, разделённый на train и test; около 20 тыс. текстовых примеров для генерации кода.
Пары «код → текст документации» из CodeSearchNet для обучения генерации описаний по коду.
Более 50 млн документов и 1 млрд пассажей с эмбеддингами jina-v2-base для обучения поиска.
Тексты с персональными данными на английском, французском, немецком и итальянском для обучения privacy masking.
6,5 млн изображений и 0,8 млрд ASR-текстов из учебных видео для vision-language pretraining.
Крупный английский набор многораундовых диалогов, сгенерированных двумя Turbo API.
Полностью открытая реализация датасета LLaMa: английские тексты для предобучения языковых моделей.
Сгенерированные Claude Opus 5.5 диалоги врач-пациент по всем болезням человека в формате ChatML.
Около 70 тыс. задач с трассами рассуждений и исполнением кода для обучения TIR-моделей.
Синтетические финансовые документы на шести языках с разметкой персональных данных для обучения NER.
1,8 млн пар «задача — решение» с рассуждениями и кодом для математических LLM.
Набор инструкций для обучения агентов: решения, вызов инструментов, код и интерактивные задачи.
Уточнённые данные с проверяемыми наградами для RL-этапа обучения MiniCPM5-2B на английском и китайском.
Общедоменный SFT-набор для чат-моделей с JSON-данными, токенизаторами и скомпилированными шардами.
Крупный набор медицинских задач с пошаговыми рассуждениями для объяснимых ответов LLM.
435 тыс. англоязычных SFT-примеров для тренировки моделей с длинными цепочками рассуждений.
Крупный англо-китайский датасет задач на рассуждение с ответами, дистиллированными в основном из DeepSeek-R1.
Изображения с подписями и сложными вопросами-ответами на английском для обучения мультимодальных моделей.
53 202 примера system/user/assistant по кибербезопасности в 200+ доменах для обучения защитных ассистентов.
Корпус длинных научных статей из arXiv и PubMed с аннотациями для обучения суммаризации.
Подборка англоязычных книг по AI, ML, DL, RL, трансформерам и LLM для структурированного изучения.