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
Смесь промптов на английском для обучения antidoom-генерации и пайплайнов предпочтений; ответы генерируются отдельно.
9 тыс. примеров цепочек рассуждений, восстановленных через Trace Inversion, для SFT и DPO.
Около 197 тыс. английских книг в .txt из Bibliotik для обучения и проверки языковых моделей.
Короткий набор пар вопрос-ответ по психическому здоровью из популярных медицинских источников.
290 544 очищенных ролевых поста с форума для дообучения моделей на ролеплей и креативное письмо.
6 тыс. синтезированных задач уровня операторов для генерации и оптимизации CUDA-ядер.
Небольшой набор задач по физике, математике, биологии и химии с картинками для проверки пошаговых рассуждений.
Английский набор предпочтений для математики в DPO-формате; карточка почти пустая.
SQLite-база тегов и постов Danbooru2023 с последним ID 7 866 491 для генеративных моделей.
Китайские тексты для supervised finetuning и RLHF в jsonl-файле примерно на 5 ГБ.
Переведённые на китайский инструкции Wizard-LM и ответы GPT для обучения китайских инструкционных LLM.
2,7 млн синтетических учебников на 16 ГБ текста для обучения небольших языковых моделей.
100K–1M текстов в стиле учебников на английском для обучения небольших языковых моделей.
700 высококачественных пар вопрос-ответ с длинными цепочками рассуждений на английском.
Подборка присланных решений для 12 челленджей HackAPrompt, включая атаки на промпты и image-only задания.
66 тыс. англоязычных инструкций по коду, усложнённых по методу Evol-Instruct для дообучения LLM.
130 тыс. английских SFT-примеров с длинными ответами, сгенерированными QwQ-32B-Preview.
Смесь Dolly-15k и отфильтрованного HH-RLHF для обучения и проверки instruction-following моделей.
10K+ трудных примеров для обучения и проверки агентов, использующих инструменты.
Короткий англоязычный набор диалогов для обучения ИИ отыгрывать вымышленных персонажей с характерами.
59 438 инструкций с парами предпочтений для RLHF на английском и китайском.
810 тыс. медицинских вопросов с пошаговыми chain-of-thought ответами на английском для SFT.
110 113 пар медицинских запросов и ответов на китайском для обучения LLM.
Крупный турецкоязычный датасет в формате MMLU для проверки и обучения языковых моделей.