Датасеты с Hugging Face с описанием на русском: что внутри и какие модели на них обучить. В каталоге уже 1 220, новые добавляются каждый час.
Отвечает DeepSeek · переписка хранится только в этой вкладке
37,6 млн пар изображение—текст из Wikipedia на 108 языках для мультимодального поиска и обучения.
Часть hh-static для обучения reward-моделей после supervised fine-tuning.
110 тыс. китайских примеров с ответами и рассуждениями R1 для SFT.
Изображения и текст на английском для обучения и проверки доверенных мультимодальных моделей через RLAIF.
Очищенная многоязычная версия веб-корпуса Common Crawl на основе mC4 от AllenAI.
Крупный набор медицинских пар изображение-вопрос-ответ из PubMed на английском.
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.
Около 100 тыс. статей cs.LG с ArXiv: тексты и метаданные для обучения и анализа ML-публикаций.
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.
Задачи для RL-обучения, отфильтрованные по сложности под модели DeepSeek-R1-Distill-Qwen.
10 тыс. длинных инструкций 8–64K токенов на en/zh для обучения и оценки long-context LLM.