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
Пережатая версия Danbooru 2023: очищенные изображения до 4 Мп для обучения генеративных моделей.
2,2 тыс. коротких многотуровых диалогов на английском для дообучения небольших LLM бытовым и научным темам.
50 тыс. нефильтрованных пар инструкция–ответ на английском для обучения языковых моделей.
1,79 млн медицинских примеров с рассуждениями от 7 моделей для SFT.
Медицинские вопросы-ответы из экзаменов на английском и китайском для обучения и проверки QA.
12 тыс. примеров из Orca-подобного набора Open-Orca/OpenOrca в текстовом формате.
Открытый синтетический датасет на 1 млн примеров рассуждений по математике, науке, коду и головоломкам.
Крупный корпус китайских романов 18+ для языковых и классификационных задач.
6k+ топовых NSFW-картинок с CivitAI и метаданными промптов и уровня NSFW.
52 тыс. инструкций с 82 тыс. пар вход-выход для instruction-tuning языковых моделей.
Синтетические пары инструкция-ответ на английском для обучения агентных моделей.
10 331 промпт с оценками качества от сообщества — для обучения и проверки ранжирования промптов.
Наборы для оценки доменной адаптации LLM в финансах из статьи ICLR 2024.
100K–1M примеров function calling, переведённых из Glaive в ChatML.
33 тыс. очищенных диалогов с парными человеческими оценками моделей из Chatbot Arena.
10 тыс. длинных инструкций 8–64K токенов на en/zh для обучения и оценки long-context LLM.
Отредактированные JSONL-логи сессий coding-агента по проекту pi-mono для обучения и анализа.
3,4 млн пар инструкция-ответ на 52 языках, переведённых с английских alpaca-52k и dolly-15k.
Английские предложения с четырьмя человеческими исправлениями для оценки грамматики и беглости.
Китайские медицинские тексты для предобучения, инструкций и обучения reward-модели.
1000 интерьерных 3D-сцен в USDZ для симуляции и робототехники в NVIDIA Isaac Sim.
Небольшой набор джейлбрейк-промптов ChatGPT для изучения обхода ограничений.
Датасет для поиска по длинным документам на 13 языках, вопросы сгенерированы GPT-3.5.
Примеры с условием задачи, пошаговым решением и меткой для обучения и проверки математических рассуждений.