Датасеты с Hugging Face с описанием на русском: что внутри и какие модели на них обучить. В каталоге уже 1 085, новые добавляются каждый час.
Отвечает DeepSeek · переписка хранится только в этой вкладке
Набор сред для обучения LLM-агентов с проверками в коде, кибербезопасности, вебе и музыке.
Более 1,1 млн часов веб-аудио на 100+ языках для ASR, TTS и обучения аудиопредставлений.
Сборник из 50 тренировочных vision-language датасетов, использованных для fine-tuning Idefics2.
220 экспертных задач из 44 профессий с промптами и файлами для оценки ИИ на экономически значимых работах.
Около 1 000 Python-задач с описанием, решением и тестами для оценки генерации кода.
Набор сложных задач NLU — импликации, вопросы, кореференция — для оценки и сравнения языковых моделей.
Бенчмарк из 164 Python-задач с сигнатурами, докстрингами и юнит-тестами для проверки генерации кода.
Документный датасет из Common Crawl на 419 языках: аудированный и сильнее отфильтрованный, чем аналоги.
Крупный географически разнообразный набор мультисенсорных данных для end-to-end систем автономного вождения.
Открытый мультиязычный корпус на 2,27 трлн токенов: книги, пресса, наука, законы и код.
6,77 млрд рейтинговых стандартных партий с lichess.org в табличном виде для анализа.
Подвыборка из 500 математических задач бенчмарка MATH для проверки пошаговых рассуждений.
Исторический архив Level-2 по китайским A-share: котировки, заявки и сделки в Parquet за 2017–2026 годы.
Речевые данные на 102 языках для обучения и оценки ASR на параллельных предложениях.
Синтетические текстовые данные на английском, сгенерированные SmolLM2 из корпуса FineWeb-Edu.
Данные для проактивной манипуляции робота в омнимодальном контексте.
480 задач от банкиров, консультантов и юристов для проверки AI-агентов в кросс-приложенческих сценариях.
Английский QA-бенчмарк с вопросами, требующими многошагового рассуждения и общих знаний.
Около 500 проверяемых инструкций для оценки того, насколько LLM следует явным ограничениям.
Крупный англоязычный набор финансовых данных из Yahoo Finance, Nasdaq и Минфина США.
Синтетические короткие рассказы с малым словарём на английском для обучения и проверки языковых моделей.
500 проверенных вручную пар issue–pull request из Python-репозиториев для оценки автоматического решения GitHub-задач.
Огромный веб-дата��ет с оценками качества, тематики и типа страниц для отбора данных.
10 тыс.+ математических задач с решениями для обучения и проверки reasoning-моделей.