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
Английский набор из 12 000 примеров для обучения и проверки моделей с retrieval-augmented generation.
��атасет для supervised fine-tuning юридических моделей на китайском: извлечение, прогнозы, саммари и QA.
Крупная коллекция символической музыки в MIDI с аннотациями для детекции музыкальных лупов.
Около 1 млн пар ответов с оценками предпочтений для reward-моделей и выравнивания LLM.
Текстовые и табличные данные на 100 тыс.–1 млн записей от Cognitive Computations для обучения генеративных моделей.
Англоязычный набор из 177 597 финансовых инструкций и вопрос-ответов для дообучения LLM.
Автоматический перевод databricks-dolly-15k на японский для инструкционного обучения.
Смесь инструкционных данных на английском для SFT языковых ассистентов Tulu.
Оценка языковых world models по траекториям агентов и ground-truth наблюдениям из реальных сред.
Сабмишны соревнования HackAPrompt по взлому промптов для изучения prompt injection.
Монолингвальные тексты на 100+ языках из снимков CommonCrawl 2018 года.
100K+ многоходовых диалогов на английском для обучения безопасных собеседников.
Выгрузка форума CounselChat: вопросы клиентов и ответы терапевтов с отметками полезности.
10–100 тыс. китайских пар инструкция–ответ для дообучения текстовых моделей; только для исследований.
242 тыс. преимущественно GPT-4-примеров из открытых источников для обучения инструкциям.
Корпус из 1,7 млн статей arXiv на английском для рекомендаций, анализа трендов и семантического поиска.
Трассы ReAct-агента и пары вопрос-ответ по финансовой отчётности компаний из 10-K.
Огромный многоязычный текст из Common Crawl, отфильтрованный по языкам для обучения языковых моделей.
1 899 задач, где модель должна учиться новым правилам и процедурам из контекста, а не из предобучения.
7 335 часов проверенной речи на 60 языках от Mozilla для обучения ASR.
Сырые JSONL-трассы агентных вызовов Qwen3.7 Max с готовой схемой инструментов.
Набор биомедицинских изображений с текстовыми описаниями целей и бинарными масками для сегментации, детекции и распознавания.
Изображения с подробными ручными описаниями и парами похожих кадров для оценки vision-моделей.
Очищенные полные статьи Википедии на множестве языков, по одному сплиту на язык.