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
5 тыс. восстановленных цепочек рассуждений от Claude 4.7-Max для SFT и DPO на нескольких языках.
1,3 млн файлов исходного кода от ~4,7 тыс. топовых разработчиков GitHub на 80+ языках программирования.
460 тыс. очищенных примеров математических рассуждений на английском для обучения и проверки reasoning-моделей.
Подмножество DISC-Med-SFT с текстовыми медицинскими вопросами и ответами на китайском для обучения и проверки QA-моделей.
Переводы GPT4ALL, Dolly и Vicuna на корейский для обучения моделей по инструкциям.
370 тыс. пар вопрос–ответ с пошаговыми CoT-обоснованиями и краткими выводами для медицинских задач.
Данные CodeActInstruct: многошаговые задачи, где агент действует исполняемым Python-кодом.
118 тыс. научных STEM-задач с пошаговыми CoT-рассуждениями для SFT и alignment.
Отобранные китайские вопросы с ответами GPT-4 в кратком стиле, вдохновлённые COIG-CQIA.
Около 8 тыс. реальных диалогов с мемами из Douyin, Xiaohongshu и Bilibili для обучения разговорной модели.
130+ млн отзывов покупателей Amazon на английском в TSV для NLP-задач.
Открытый диалоговый датасет для SFT: промпты и ответы text-davinci-003 на английском и китайском.
Длинные романы и иерархические планы для обучения моделей связному повествованию.
Сырые отчёты об уязвимостях смарт-контрактов с описанием, PoC-кодом и оценкой серьёзности.
20 тыс. пар предпочтений на английском и китайском для DPO-обучения в LLaMA Factory.
Небольшой набор однозначных STEM-задач с проверяемыми ответами для оценки рассуждений LLM.
1 103 пары контекст-продолжение для оценки способности LLM продолжать драматические сценарии.
Проверка, знает ли LLM, чего не знает, и умеет ли исправлять ошибки.
Задачи по науке, коду и математике с подробным chain of thought и правильным ответом для обучения reasoning-моделей.
Многоязычный корпус текстов из Common Crawl, отфильтрованный по языкам; подходит для языковых моделей.
GPT-4-персонажи и диалоги на русском и английском для обучения ролевых языковых моделей.
Датасет генераций по промптам, на котором обучали GPT4All; английский текст, от 100 тыс. до 1 млн примеров.
Оцифрованные судебные решения США на английском для обучения и анализа юридических текстов.
Бенчмарк для оценки LLM в full-stack разработке через парадигму Agent-as-a-Verifier.