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
150 тыс. пар изображение–инструкция от GPT-4 для визуального instruction tuning и VQA.
Многоязычные реальные диалоги пользователей с ChatGPT для обучения и анализа чат-моделей.
Крупный открытый речевой датасет на 25 европейских языках для ASR и перевода речи.
Большой английский набор инструкций для обучения LLM следовать задачам; предобработанная версия Super-Natural-Instructions.
Англоязычные книги для обучения языковых моделей и fill-mask; в карточке также описан проект сопоставления книг с экранизациями.
39 073 гуманоидных меша с риггом: скелеты и веса скиннинга для обучения авто-риггингу и авто-скиннингу.
4 006 сырых трасс агента с ответами DeepSeek v4 Pro и снапшотом схемы инструментов для SFT.
Textual Inversion-эмбеддинг для негативного промпта в Stable Diffusion.
Крупный тренировочный корпус и eval-набор с выравниванием слов для ASR и TTS на 10 языках.
Вопросы с вариантами ответов на традиционном китайском по 66 школьным и профессиональным предметам для проверки LLM.
Пары вопрос-ответ к медицинским изображениям из MedPix для обучения и тестирования VQA.
Набор изображений кошек и собак из Kaggle-конкурса для бинарной классификации.
Набор для оценки парсеров PDF и сканов: преобразование визуально сложных документов в HTML и Markdown.
105 тыс. синтетических пар для перевода вопросов на естественном языке в SQL-запросы.
Набор человеческих оценок и обратной связи для обучения моделей суммаризации по методу RLHF.
Корпус математических текстов на английском объёмом около 200 ГБ для обучения и проверки языковых моделей.
Около 1 млн текстовых описаний персон США, сгенерированных для обучения и оценки LLM.
5000 многошаговых траекторий агента для обучения и проверки агентных моделей на английском.
Открытый набор из более чем 10 млн 3D-объектов для обучения и проверки 3D-моделей.
254 тыс. очищенных статей китайской Википедии для обучения генеративных моделей на китайском.
Чистый посекционный корпус на арабском и английском для предобучения небольшой LLM.
Коллекция персон для генерации разнообразных синтетических текстов и инструкций.
Крупный набор математических задач, отфильтрованных для RL-обучения языковых моделей.
Параллельные тексты для оценки перевода с английского на множество языков, включая низкоресурсные.