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
Небольшой набор джейлбрейк-промптов ChatGPT для изучения обхода ограничений.
Мультимодальные captions на английском для выравнивания изображений и текста и обучения captioning-моделей.
6 тыс. SFT-примеров на английском и китайском с ответами длиной 2–32 тыс. слов.
15 млн записей и около 60 млрд токенов синтетических китайских текстов для обучения генеративных моделей.
340 юридических экзаменов из Швейцарии, ЕС и международного права для проверки reasoning-моделей.
50 тыс. пар задач и решений по математике, сгенерированных GPT-4.
Датасет для обучения моделей редактированию текста по инструкциям на английском.
Пары инструкция–ответ по финансам на основе Alpaca и FiQA плюс 1,3 тыс. синтетических примеров.
90 тыс. параллельных пар вопрос-ответ на китайском и английском для обучения диалоговых моделей.
Отзывы Amazon на шести языках с рейтингами и категориями для классификации.
Англоязычные тексты по offensive security, red team и пентесту для обучения и проверки моделей.
Корпус текстов для сравнения ответов человека и ChatGPT; подходит для классификации и оценки сходства.
110 тыс. китайских примеров с ответами R1, собранных в поле output для обучения SFT.
Китайский текстовый корпус Zhihu для обучения Open Assistant; от 1 до 10 млн примеров.
Открытые медицинские вопросы с эталонными ответами из сложных экзаменов для проверки рассуждений LLM.
Медицинские задачи с цепочками рассуждений R1 для дообучения моделей.
1,06 млн траекторий (state, action, next_state) с реальных сайтов для обучения браузерных world-моделей.
Англоязычный датасет question-answering для систем генерации кода с улучшением.
Крупный корпус кода на английском и японском для обучения и дообучения языковых моделей.
30 тыс. триплетов из реальных клинических заметок, синтетических диалогов и структурированных данных.
999 847 персон с 1 290 категориальными признаками для генерации и анализа персонажей.
Около 7,86 млн строк китайских диалогов (183 млн токенов) из R18-визуальных новелл.
Почти дедуплицированная версия The Stack v2 — крупный корпус кода для обучения LLM, сгруппированный по репозиториям.
Текстовые QA-примеры с синтетическими рассуждениями от Claude, без ручной проверки.