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
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.
Крупный мультимодальный датасет математических задач с текстом и изображениями на английском и китайском.
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.
Мультимодальные captions на английском для выравнивания изображений и текста и обучения captioning-моделей.
Набор SFT-траекторий для агентных задач вроде Terminal-Bench 2.0 и SWE-Bench.
Курируемые примеры действий агентов с объяснениями рассуждений для шести реальных задач.
Набор инструкций Evol Instruct V2: в названии указано 196 тыс. примеров для обучения моделей.
6 тыс. SFT-примеров на английском и китайском с ответами длиной 2–32 тыс. слов.
108K изображений с объектами, атрибутами и попарными связями для задач зрения и языка.
15 млн записей и около 60 млрд токенов синтетических китайских текстов для обучения генеративных моделей.
Бинаризованные пары предпочтений UltraFeedback без промптов TruthfulQA, с аннотациями источников.
Записи эксперимента, где AI-агенты живут в виртуальной деревне, общаются и преследуют цели.
Генератор пар вопрос-ответ по математике школьного уровня для проверки алгебраических рассуждений.
340 юридических экзаменов из Швейцарии, ЕС и международного права для проверки reasoning-моделей.
Синтетический англоязычный датасет диалогов с персонами для обучения и оценки чат-ботов.
50 тыс. пар задач и решений по математике, сгенерированных GPT-4.
Датасет для обучения моделей редактированию текста по инструкциям на английском.
Пары инструкция–ответ по финансам на основе Alpaca и FiQA плюс 1,3 тыс. синтетических примеров.