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
Обновлённые данные для претрейна LLM: математика, код, английский Common Crawl и синтетика.
Синтетические personas на основе демографии, географии и черт характера жителей Вьетнама.
6 млн изображений, сгенерированных FLUX.1-dev, и 20 млн англо-китайских описаний для обучения генеративных моделей.
Табличные метаданные о 5,6 млрд видео TikTok: ID, дата, страна, регион и язык.
Мультимодальный датасет PsiBot со зрением, языком и действиями для обучения embodied-интеллекта.
3,2 млн диалогов людей с ChatGPT без токсичных входов и ответов.
204 тыс. пар «запрос — ответ» на 65 языках для обучения и оценки многоязычных LLM.
Более 1 млн реальных траекторий роботов по 22 воплощениям, неофициальная копия Open X-Embodiment.
200 часов синхронных записей от первого лица с RGB, LiDAR-глубиной, аудио и текстом для embodied AI и робототехники.
Набор инструкций по программированию на английском для обучения генерации кода с обратной связью.
227 тыс. пар вопрос-ответ по 149 тыс. изображений для обучения визуальных вопросов.
Очень большой англоязычный корпус математических текстов для обучения языковых моделей.
Параллельные тексты для оценки машинного перевода на многих языках, включая редкие.
LHTB проверяет, как LLM-агенты удерживают полезную работу в контейнерном терминале на сотнях шагов.
Исправленная версия Stanford Alpaca для инструкционного дообучения на английском.
Данные Anthropic о проникновении ИИ в профессии и задачи, влиянии на рынок труда и роботов.
Структурированные тексты исторических газет на английском для предобучения LLM и RAG.
Движения захвата LAFAN1, перенесённые на человекоподобных роботов Unitree H1, H1_2 и G1.
Пары вопрос-ответ по патологическим снимкам для обучения и проверки медицинских VQA-систем.
306 207 сканов 3D-МРТ мозга с клиническими данными для self-supervised learning.
23,7 тыс. часов спонтанной речи и чтения на 22 языках Индии, из них 11,2 тыс. часов с транскриптами.
Коллекция MS MARCO для поиска: вопросы Bing, ответы, пассажи и задачи ранжирования.
18 тыс. описаний задач и решений на Python в Alpaca-формате для обучения генерации кода.
Видео-вопросы для проверки визуально-пространственного понимания у мультимодальных моделей.