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 1 млн пар ответов с оценками предпочтений для reward-моделей и выравнивания LLM.
Англоязычный набор из 177 597 финансовых инструкций и вопрос-ответов для дообучения LLM.
Смесь инструкционных данных на английском для SFT языковых ассистентов Tulu.
Оценка языковых world models по траекториям агентов и ground-truth наблюдениям из реальных сред.
Монолингвальные тексты на 100+ языках из снимков CommonCrawl 2018 года.
10–100 тыс. китайских пар инструкция–ответ для дообучения текстовых моделей; только для исследований.
242 тыс. преимущественно GPT-4-примеров из открытых источников для обучения инструкциям.
Корпус из 1,7 млн статей arXiv на английском для рекомендаций, анализа трендов и семантического поиска.
Огромный многоязычный текст из Common Crawl, отфильтрованный по языкам для обучения языковых моделей.
1 899 задач, где модель должна учиться новым правилам и процедурам из контекста, а не из предобучения.
Сырые JSONL-трассы агентных вызовов Qwen3.7 Max с готовой схемой инструментов.
Данные для обучения языковых моделей построению маршрутов общественного транспорта в городах Китая.
Синтетические тексты на английском для instruction tuning и fine-tuning моделей генерации ответов.
364 420 пар вопрос-ответ по медицине на китайском для обучения и проверки медицинских LLM.
Объединённые диалоговые данные для QA, суммаризации, генерации, классификации и table-to-text.
Пары вопрос-ответ по научным статьям arXiv на английском для обучения и проверки QA-систем.
Около 8K текстовых примеров для обучения моделей параллельному координированному reasoning в рамках PaCoRe.
1–10 тыс. примеров для проверки, соблюдает ли модель заданную схему JSON/YAML при разных формулировках запроса.
Пары вопрос–ответ из реальных консультаций с психологами для обучения эмпатичным диалогам.
Огромный многоязычный текстовый корпус, полученный фильтрацией Common Crawl через Ungoliant.
Англоязычные задачи по физике с уравнениями и решениями для тренировки и проверки моделей.
Клинические случаи, классические тексты и QA по традиционной китайской медицине на китайском.
123 тыс. самых сложных image-text примеров из MMFineReason, на которых Qwen3-VL-4B-Thinking стабильно ошибается.
Английский корпус из 0,26 млн диалогов врачей и пациентов для медицинских QA-систем.