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
Краудсорсинговый датасет для обучения NLP-интерфейсов к реляционным базам данных.
90 тыс. параллельных пар вопрос-ответ на китайском и английском для обучения диалоговых моделей.
Отзывы Amazon на шести языках с рейтингами и категориями для классификации.
Англоязычные тексты по offensive security, red team и пентесту для обучения и проверки моделей.
100 японских заданий с оценкой для проверки instruction-моделей.
Пары сравнений ответов, отобранные для обучения reward-моделей из статьи WebGPT.
Корпус текстов для сравнения ответов человека и ChatGPT; подходит для классификации и оценки сходства.
Пары предпочтений для обучения безопасному коду с исправлениями и аудитом качества.
Крупный корпус пар изображение-текст, где фразы из подписи привязаны к соответствующим областям картинки.
Полмиллиона 3D-ассетов с эстетической фильтрацией для задач генерации 3D из текста и изображений.
Небольшой английский текстовый набор для вопросно-ответных задач и сравнения смысловой близости предложений.
45K text-to-image и 46K text+image-to-image примеров для обучения мультимодальных моделей.
110 тыс. китайских примеров с ответами R1, собранных в поле output для обучения SFT.
Небольшая выборка пар изображение–LaTeX для обучения OCR математических формул.
Около 800 тыс. многотуровых диалогов на китайском от проекта BELLE, сгенерированных ChatGPT без строгой проверки.
Инструкции и ответы GPT-4 без отказов и дисклеймеров OpenAI для SFT.
Аудио и текст на вьетнамском для обучения многоголосого синтеза речи.
Около 500 часов вьетнамской речи с текстами: подкасты, путешествия, книги, еда и разные региональные акценты.
Китайский текстовый корпус Zhihu для обучения Open Assistant; от 1 до 10 млн примеров.
Табличные и текстовые инструкции для обучения LLM автономно выполнять задачи data science.
Открытые медицинские вопросы с эталонными ответами из сложных экзаменов для проверки рассуждений LLM.
Медицинские задачи с цепочками рассуждений R1 для дообучения моделей.
1,06 млн траекторий (state, action, next_state) с реальных сайтов для обучения браузерных world-моделей.
STS Benchmark на английском и его переводы на пять языков для обучения sentence-эмбеддингов.