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
Отфильтрованный набор текстовых задач для улучшения логических рассуждений LLM.
Англоязычные PDF-страницы из SafeDocs с разметкой для обучения и оценки OCR и vision-language моделей.
Видеозаписи 494,7 часа чистого PC/консольного геймплея в 168 играх, разбитые на 776 сессий.
Тексты на английском, немецком, французском, испанском и итальянском для предобучения больших языковых моделей.
Около 51 300 размеченных 3D-моделей из 55 бытовых категорий, связанных с WordNet 3.0.
Китайский предтренировочный корпус 10–100 млн текстов, отобранных для образовательных NLP-задач.
Высококачественный набор инструкций на китайском для SFT из интернет-вопросов и статей.
Текстовый SFT-набор для обучения Nemotron-Cascade-2, включая математику и науку.
Очищенные пары предпочтений из UltraFeedback для fine-tuning языковых моделей.
Крупный английский корпус, отредактированный фреймворком UltraX для предобучения языковых моделей.
Картинки и подписи из конкурса New Yorker для проверки понимания юмора моделями.
Англоязычные диалоги для SFT моделей до 1B параметров, использованные в SmolLM2-Instruct.
Коллекция дополненных FLAN-данных, выровненная с распределением Orca, для обучения инструкциям.
Пары «исходное изображение — инструкция — отредактированное изображение» для обучения и проверки моделей image-to-image.
Многовариантные медицинские вопросы с врачебных экзаменов на английском, упрощённом и традиционном китайском.
Бенчмарк HumanEval на шести языках программирования для трёх задач генерации и проверки кода.
Большой англоязычный корпус из открытых датасетов с фильтрацией и дедупликацией для обучения LM.
Предобработанные датасеты для RAG-исследований: 36 бенчмарков и ресурсы FlashRAG.
Многошаговые траектории агента OpenHands при решении реальных GitHub-issues из SWE-rebench.
Мультимодальные инструкции на английском и китайском для обучения vision-language моделей; от 1 до 10 млн примеров.
Задачи по математике с цепочками рассуждений и программами для обучения инструкционных моделей.
Симулятор-бенчмарк для оценки LLM-агентов в многошаговых enterprise-задачах с инструментами.
22,6 тыс. человеческих задач для computer-use агентов на Windows, macOS и Ubuntu.
Около 52–90 тыс. диалогов пользователей с ChatGPT, собранных через ShareGPT API, для обучения чат-моделей.