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
Миллион реальных разговоров с 25 современными LLM из Chatbot Arena и Vicuna.
Диалоговый QA-датасет: 127 тыс. вопросов с ответами из 8 тыс. бесед по текстам из семи доменов.
Набор сложных исследовательских задач с экспертными рубриками для оценки deep research систем.
100 тыс. RAG-примеров из пяти отраслевых доменов для оценки и обучения retrieval-augmented систем.
Англоязычные многоходовые диалоги для обучения агентов вызывать инструменты и рассуждать над результатами.
Крупный корпус пар alt-текст и изображение из HTML для обучения мультимодальных моделей.
Корпус для предобучения генеративных моделей с математикой, кодом и многоязычными Q&A.
Анкеты и оценки предпочтений людей к ответам LLM для preference и value alignment.
1 225 запросов для проверки языковых агентов в многошаговом планировании поездок с ограничениями.
Подвыборка LAION/CC/SBU с балансом концептов и синтетическими подписями BLIP для претрейна LLaVA.
Корпус PubMed для суммар��зации длинных медицинских статей: article и abstract.
Около 10 млн документов для SFT с управляемой глубиной рассуждения low/medium/high через chat template.
3,3 тыс. экспертных парных предпочтений для ответов шести моделей на 80 вопросов MT-Bench.
Медицинский датасет изображений и текста для диагностики узлов щитовидной железы с экспертной разметкой.
17,6 тыс. опубликованных математических задач разной сложности для проверки рассуждающих моделей.
1,8 млн пар вопрос-ответ по графикам с Chain-of-Thought аннотациями для обучения VLM.
51 004 диалога ShareGPT о том, когда и как LLM должна вызывать инструменты.
820 задач с тестами на Python, C++, Java, JavaScript и Go для оценки генерации кода.
Набор мультиспектральных спутниковых снимков Земли из четырёх источников: Satellogic, Sentinel-1/2 и NEON.
57 937 отфильтрованных трасс от трёх моделей для SFT в математике, коде, рассуждениях и мультиязычных задачах.
Размеченный датасет событий кибербезопасности из SOC: атаки и нормальный трафик на общей временной шкале.
Синтетические медицинские диалоги с цепочками рассуждений для SFT LLM в здравоохранении.
Крупный набор синтетических персон на японском по демографии, географии и чертам личности.
Датасет для обучения Zeta — модели предсказания следующей правки кода в редакторе Zed.