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
1,8 млн мультимодальных примеров с подробными рассуждениями, дистиллированными из Qwen3-VL-235B-Thinking.
Около 500 тыс. GPT-4-ответов, отфильтрованных по аннотациям FLAN, для обучения инструкционных моделей.
Открытый англоязычный корпус на 3 трлн токенов для исследования и предобучения языковых моделей.
99 870 троек system–user–assistant для защитного SFT по кибербезопасности на английском.
Около 50 тыс. пар инструкция — ответ на китайском, сгенерированных GPT-4 по методу Alpaca.
От 1 до 10 млн англоязычных примеров с цепочками рассуждений для генерации и классификации.
6 ГБ очищенного английского текста из The Pile для обучения моделей в условиях малых данных.
Англоязычные диалоги с эмоциональными реакциями для эмпатичных чат-моделей.
51 набор китайской эротической литературы в JSON: короткие рассказы и личный опыт, для исследований и обучения моделей.
41,8 тыс. пар научных задач и решений на английском и китайском, к каждой — одно или несколько изображений.
110 тыс. китайских примеров с ответами и рассуждениями R1 для SFT.
Очищенная многоязычная версия веб-корпуса Common Crawl на основе mC4 от AllenAI.
Крупный набор медицинских пар изображение-вопрос-ответ из PubMed на английском.
50 тыс. нефильтрованных пар инструкция–ответ на английском для обучения языковых моделей.
1,79 млн медицинских примеров с рассуждениями от 7 моделей для SFT.
Медицинские вопросы-ответы из экзаменов на английском и китайском для обучения и проверки QA.
Крупный корпус китайских романов 18+ для языковых и классификационных задач.
Синтетические пары инструкция-ответ на английском для обучения агентных моделей.
10 331 промпт с оценками качества от сообщества — для обучения и проверки ранжирования промптов.
Наборы для оценки доменной адаптации LLM в финансах из статьи ICLR 2024.
10 тыс. длинных инструкций 8–64K токенов на en/zh для обучения и оценки long-context LLM.
Отредактированные JSONL-логи сессий coding-агента по проекту pi-mono для обучения и анализа.
3,4 млн пар инструкция-ответ на 52 языках, переведённых с английских alpaca-52k и dolly-15k.
Китайские медицинские тексты для предобучения, инструкций и обучения reward-модели.