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
Около 4,5 млн синтетических примеров FLANv2 с ответами GPT-4 и GPT-3.5 для инструкционной настройки.
200 тыс. китайских пар инструкция–ответ для выравнивания и обучения языковых моделей.
363 тыс. уникальных примеров инструкций без RLHF, очищенных от дублей для обучения генеративных моделей.
Отобранные многораундовые диалоги GPT-4 на китайском, английском и других языках.
Небольшой набор мультимодальной обратной связи для выравнивания vision-language моделей.
Очищенный датасет рассуждений GLM-5.1 на 1M примеров, приведённый к единой SFT-схеме.
Крупный набор инструкций и ответов на русском для обучения моделей следовать командам.
Подборка 2 млн математических вопросов и ответов с разных сайтов Stack Exchange.
Реальные диалоги агента с пошаговыми рассуждениями и результатами вызова инструментов на английском.
157 тыс. синтетических выписок с парами вопрос-ответ для обучения клинических LLM.
Англоязычные пары лучшего и худшего ответов Stack Exchange для обучения предпочтениям.
44,6 тыс. пар вопрос-ответ с длинным контекстом и цитатами на уровне предложений.
Крупная коллекция текстов для обучения языковых моделей, в том числе по коду.
35 типов логических задач с автоматической проверкой ответов для RL с верифицируемыми наградами.
Около 580 тыс. задач-доказательств, 550 тыс. формализаций в Lean 4 и 900 тыс. рассуждений модели.
7 716 JSONL-примеров вопрос-ответ для SFT-дистилляции reasoning-моделей.
234 тыс. пар вопрос-ответ для научных рассуждений, синтезированных из статей через «скелет» аргументации.
Около 110 тыс. примеров с рубриками для обучения и оценки открытой генерации на zh/en.
Метаданные код-корпуса NVIDIA для предобучения LLM семейства Nemotron 3.
Набор из 21 млн детальных описаний персон для управляемой генерации синтетических текстов.
Более 10 тыс. многоходовых примеров для инструктивного дообучения на английском.
Очищенный SFT-датасет на английском из трасс агента Claude Fable-5, 12 730 записей.
Синтетические персоны на французском, привязанные к реальным демографическим и географическим распределениям.
Английский набор из 12 000 примеров для обучения и проверки моделей с retrieval-augmented generation.