Датасеты с Hugging Face с описанием на русском: что внутри и какие модели на них обучить. В каталоге уже 1 085, новые добавляются каждый час.
Отвечает DeepSeek · переписка хранится только в этой вкладке
1,8 млн пар вопрос-ответ по графикам с Chain-of-Thought аннотациями для обучения VLM.
Высококачественный и разнообразный датасет пар текст-изображение на ~2 млн примеров для обучения text-to-image.
Датасет NVIDIA для обучения и оценки мультимодальной модели Llama-Nemotron VLM.
Миллион+ AI-изображений с подробными английскими подписями для генерации и описания картинок.
2 млн синтетических примеров для вопросов по картам и трассировки путей; английский язык.
VQA-данные со структурированными аннотациями рассуждений для обучения Vision-Language Models.
1,8 млн мультимодальных примеров с подробными рассуждениями, дистиллированными из Qwen3-VL-235B-Thinking.
Изображения и текст на английском для обучения и проверки доверенных мультимодальных моделей через RLAIF.
Мультимодальные captions на английском для выравнивания изображений и текста и обучения captioning-моделей.
108K изображений с объектами, атрибутами и попарными связями для задач зрения и языка.
Крупный корпус пар изображение-текст, где фразы из подписи привязаны к соответствующим областям картинки.
Пары картинок и подписей с одинаковыми словами в разном порядке для проверки vision-language моделей.
10–100 млн примеров OCR: полные транскрипции страниц в Markdown с LaTeX и HTML-таблицами для обучения end-to-end OCR.
Небольшой набор мультимодальной обратной связи для выравнивания vision-language моделей.
VQA-датасет на основе Localized Narratives: пары вопрос-ответ по изображениям.
Изображения с подробными ручными описаниями и парами похожих кадров для оценки vision-моделей.
ASID-1M: крупный англоязычный набор инструкций для понимания видео с управляемым описанием.
750K CT/MRI-снимков и 7,5M сгенерированных VQA-примеров с экспертными аннотациями для обучения и бенчмарка.
10 013 изображений стройплощадок с аннотациями для проверки понимания сцен vision-language моделями.
123 тыс. самых сложных image-text примеров из MMFineReason, на которых Qwen3-VL-4B-Thinking стабильно ошибается.
1–10 млн пар вопрос-ответ и VQA на 39 языках для обучения мультимодальных LLM.
Крупный англоязычный видео-датасет с временными сегментами действий и текстовыми описаниями.
Изображения блюд с метаданными для распознавания еды, классификации и нутриционного анализа.
Пары изображений математических формул с LaTeX-кодом для обучения и проверки OCR.