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 англо-китайский датасет задач на рассуждение с ответами, дистиллированными в основном из DeepSeek-R1.
Миллион+ AI-изображений с подробными английскими подписями для генерации и описания картинок.
Изображения с подписями и сложными вопросами-ответами на английском для обучения мультимодальных моделей.
Крупный корпус отраслевых текстов на английском и китайском для обучения и дообучения промышленных моделей.
1,15 млн примеров инструкций на китайском для обучения диалоговых LLM.
Англоязычные чат- и инструкционные данные для обучения моделей точному следованию инструкциям и structured output.
Англоязычные текстовые пары с оценками полезности, фактичности и сложности для выравнивания LLM.
53 202 примера system/user/assistant по кибербезопасности в 200+ доменах для обучения защитных ассистентов.
Корпус длинных научных статей из arXiv и PubMed с аннотациями для обучения суммаризации.
Мультисайтовый корпус рентгенов грудной клетки: 273 004 снимка и подробные радиологические отчёты.
Сгенерированные видео разных тем и пропорций для проверки возможностей MiniMax H3.
Курируемый набор для честной и эффективной оценки vision-language моделей.
2 млн синтетических примеров для вопросов по картам и трассировки путей; английский язык.
VQA-данные со структурированными аннотациями рассуждений для обучения Vision-Language Models.
Подборка англоязычных книг по AI, ML, DL, RL, трансформерам и LLM для структурированного изучения.
1,8 млн мультимодальных примеров с подробными рассуждениями, дистиллированными из Qwen3-VL-235B-Thinking.
Около 500 тыс. GPT-4-ответов, отфильтрованных по аннотациям FLAN, для обучения инструкционных моделей.
167 тыс. выжимок о пациентах из отчётов PubMed Central с оценками релевантности «пациент — статья».
Более 1600 английских промптов разной сложности для проверки возможностей моделей генерации изображений.
Реальный датасет для комплексных рекомендаций путешествий: POI и многозадачные данные.
Покадровая разметка действий геймпада для публичных игровых видео — для обучения робототехнических моделей.
Табличный датасет на ~81,8 млн строк в схеме «звезда» для аналитических задач.
Открытый англоязычный корпус на 3 трлн токенов для исследования и предобучения языковых моделей.
99 870 троек system–user–assistant для защитного SFT по кибербезопасности на английском.