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
100K–1M траекторий coding-агентов с тестовой проверкой для обучения и оценки агентных моделей.
Траектории программного агента, решающего GitHub-issues, для обучения кодовых агентов.
100 тыс. англоязычных фрагментов из веба с метаданными для проверки токсичной дегенерации нейросетей.
Набор для проверки reward-моделей на чатах, сложных диалогах и предпочтениях; только английский текст.
Диалоги разработчиков с AI-ассистентами: вызовы инструментов, трассы размышлений и правки кода.
Более 1 трлн токенов параллельных текстов на английском и 500+ языках для машинного перевода.
Англоязычный бенчмарк SuperGPQA для оценки LLM по 285 graduate-дисциплинам.
Таблица с описаниями 122 активных задач бенчмарка Agents Last Exam: промпты, таксономия и требования.
Большая многоязычная коллекция текстов для классификации, суммаризации и перевода.
Визуальные математические задачи с изображениями и текстом для проверки VLM.
Корпус для предобучения OLMo-2-1124: DCLM-Baseline, Arxiv, pes2o, StarCoder и др.
Крупный image-text корпус DataComp-1B с улучшенными подписями от LLaVA-1.5-LLaMA3-8B.
Смесь открытых и синтетических инструкций для обучения чат-моделей.
350B+ токенов учебных PDF, отфильтрованных из FinePDFs классификатором образовательного качества.
Англоязычные тексты, сгенерированные GPT-3, для детекции неявной ненависти (text-classification).
Пары вопрос-ответ и исполняемые reasoning-трейсы по реальным Kaggle-ноутбукам для анализа данных.
18 млн сигналов дистилляции из 73 открытых моделей и 7 тыс. GitHub-репозиториев для обучения текстовых моделей.
Вопросы и ответы Stack Overflow с минимум двумя ответами для preference-моделей и instruction fine-tuning.
Подборка из 9 846 высоко оценённых диалогов Open Assistant для обучения инструкциям.
1,5 млн синтетических траекторий работы с 2 000+ инструментами из 495 реальных MCP.
25,9 млн строк дневных цен по 7 764 акциям с 1962 по 2026 год.
Миллионы страниц документов с PDF, TIFF-изображениями и OCR-аннотациями для обучения распознаванию.
Задачи из стран и соревнований с изображениями и текстом для QA и генерации решений.
141 млн английских веб-документов с текстом и изображениями из Common Crawl для мультимодальных моделей.