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
Единый корпус из 24 публичных новостных датасетов: 57,1 млн строк с датой и текстом на английском.
Корпус из 1,7 млн статей arXiv на английском для рекомендаций, анализа трендов и семантического поиска.
10 013 изображений стройплощадок с аннотациями для проверки понимания сцен vision-language моделями.
Мультиязычная компиляция датасетов для fine-tuning эмбеддингов под поиск, реранкинг, сходство и классификацию.
10 млн видеоклипов с автоматически сгенерированными подписями и оценками UMT для видео-текстовых задач.
SQLite-база тегов и постов Danbooru2023 с последним ID 7 866 491 для генеративных моделей.