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
Многоязычные деревья сообщений «��ромптер — ассистент» для обучения и оценки ассистентов.
350 тыс. проверенных цепочек рассуждений по математике, коду и науке для обучения пошаговому reasoning.
Около 100 тыс. алгебраических текстовых задач на английском с пошаговыми объяснениями решений.
Диалоги агентов с вызовами инструментов из пула 26 507 API — для обучения моделей function calling.
Английские математические задачи с вариантами ответов, цепочками рассуждений и правильными ответами для QA-моделей.
Тестовые вопросы MMLU по 57 темам, переведённые на 14 языков профессиональными переводчиками.
Более 15 млн SFT-примеров на английском и китайском для посттренировки модели MiniCPM5-1B-SFT.
Новостные статьи BBC с однофразовыми summary для обучения экстремальному суммаризированию.
Корпус по кибербезопасности для обучения и вопросно-ответных задач на английском.
450+ нетривиальных вопросов с однозначным ответом для проверки LLM с инструментами и поиском.
100K+ QA-пар с человеческой разметкой 14 категорий вреда для AI safety.
13 083 английских клиентских запроса в банковской сфере с метками 77 тонких интентов для классификации.
Данные для обучения и оценки безопасных ответов: предпочтения, пары вопрос-ответ и промпты на английском.
10K–100K вопросов с множественным выбором для оценки LLM на китайском языке и в культурном контексте.
Пары «изображение — текстовое описание» для обучения и оценки моделей связи картинок и текста.
4 ТБ коммитов из GitHub-репозиториев с разрешительными лицензиями.
Аудиокниги, подкасты и YouTube с расшифровками — для обучения ASR и TTS на английском.
Отфильтрованный и дедуплицированный английский веб-корпус из CommonCrawl для обучения языковых моделей.
Многоязычный корпус для поиска: коллекции документов, темы запросов и qrels на 18 языках.
Проверенные примеры function calling на английском для обучения и оценки LLM-агентов.
Англо-китайские траектории tool use для instruction-tuning агентных моделей, около 500 тыс. примеров.
100 тыс. примеров из The Tome, отфильтрованных классификатором FineWeb-Edu для обучения Llama 3.1.
Англоязычный SFT-датасет от NVIDIA с траекториями для обучения LLM работе в терминале.
Небольшой текстовый датасет промпт-инъекций; в карточке минимум описания.