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
Крупный набор сложных вопросов с эталонными ответами и сгенерированными решениями.
Обновлённый корпус для Nemotron 3: математика, код, английский веб и синтетика.
52 тыс. англоязычных пар инструкция-ответ от GPT-4 по промптам Alpaca для дообучения LLM.
262K синтетических пар запрос-ответ: вредные и похожие безвредные запросы для обучения безопасности.
3 008 коротких рассказов, сгенерированных Claude Opus по промптам Reddit, с заголовками и жанрами.
8 задач NLU на корейском для оценки языковых моделей: от NER и NLI до MRC и DST.
Бенчмарк из 700+ реальных изображений с вопросами и проверяемыми ответами для мультимодальных моделей.
SFT-данные SLAM lab для открытого воспроизведения R1, вдохновлённые Open-r1.
Негативный эмбеддинг для Stable Diffusion WebUI, обученный с Counterfeit; это файл эмбеддинга, а не корпус данных.
Тысяча трудных вопросов с дистиллированными рассуждениями и решениями от Gemini.
Крупнейший публичный public domain датасет пар изображение-текст для обучения foundation-моделей.
825 GiB разнообразных английских текстов из 22 высококачественных датасетов для обучения языковых моделей.
24,17 млн пар изображение-текст из 3,01 млн открытых научных статей на английском.
Наборы с несколькими изображениями и инструкциями для обучения мультимодальных моделей.
3D Gaussian Splatting интерьеров с семантической разметкой и картами доступности.
Сырые анонимизированные трассы агента Claude Fable 5 для обучения и анализа агентных сценариев.
229 122 юридических документа Австралии на английском: законодательство и судебные акты.
Исследовательский датасет Real-IAD с инструментом оценки ADEval.
Обновлённый pretraining-корпус NVIDIA с кодом, математикой, английским веб-текстом и синтетикой.
80 тысяч инструкций по коду, сгенерированных по методике Evol-Instruct из WizardCoder.
127K пар запрос-изображение для обучения визуального поиска по документам.
Китайские и английские речи с чистыми транскрипциями, возрастом, полом и эмоциями для TTS.
Корпус ответов людей и ChatGPT на вопросы для сравнения и детекции текста.
Корпус из 6,7 млн судебных дел США для обучения и анализа юридических текстов.