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
Наборы задач, где по состоянию и вопросу нужно дать типизированное решение: да/нет, класс, число.
Синтетический набор рассуждений Claude Opus 4.6 для SFT и дистилляции в открытые модели.
25M+ медицинских изображений в 10 модальностях с мультимодальными аннотациями по 65 болезням.
Высококачественный и разнообразный датасет пар текст-изображение на ~2 млн примеров для обучения text-to-image.
112 млрд токенов траекторий агентного кодинга по 122 ты��. pull request и 16 языкам программирования.
300 тыс. текстов на 6 языках с разметкой PII для обучения моделей удаления персональных данных.
Табличные аудио-признаки треков Spotify из 125 жанров в CSV.
160 тыс. синтетических и 200 тыс. дополненных примеров взаимодействия пользователя, ассистента и инструментов.
Медицинские пары вопрос-ответ; в карточке указана статья 2019 года о question-entailment.
134 реальные задачи, где агент учится в исполняемых средах по многоуровневой обратной связи за 12+ часов.
Многоязычный датасет для text-generation в проекте MiniMind; состав данных в карточке не раскрыт.
47 тыс. клинических руководств из 17 медицинских источников для обучения и проверки медицинских LLM.
7 тыс. англоязычных бесед, где собеседник проявляет личность, эмпатию и знания.
Отфильтрованные reasoning-трейсы от DeepSeek, Qwen, Gemma и других моделей для дистилляции в малые модели.
Наборы обучающих примеров в jsonl.gz для тренировки моделей текстовых эмбеддингов, в том числе через sentence-transformers.
Исходный CodeAlpaca, разделённый на train и test; около 20 тыс. текстовых примеров для генерации кода.
Переведённые данные mMARCO для обучения и оценки поиска и ранжирования документов.
Пары «код → текст документации» из CodeSearchNet для обучения генерации описаний по коду.
Более 50 млн документов и 1 млрд пассажей с эмбеддингами jina-v2-base для обучения поиска.
Тексты с персональными данными на английском, французском, немецком и итальянском для обучения privacy masking.
6,5 млн изображений и 0,8 млрд ASR-текстов из учебных видео для vision-language pretraining.
Крупный английский набор многораундовых диалогов, сгенерированных двумя Turbo API.
Обработанные документы стандартов 3GPP в markdown и docx для телеком-исследований и NLP.
Полностью открытая реализация датасета LLaMa: английские тексты для предобучения языковых моделей.