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
ASID-1M: крупный англоязычный набор инструкций для понимания видео с управляемым описанием.
Данные для обучения языковых моделей построению маршрутов общественного транспорта в городах Китая.
Свыше 500 тыс. примеров для обучения финансовым задачам, рассуждениям и многоходовым диалогам.
Тысячи аудиофрагментов японской речи из визуальных новелл с расшифровками для ASR.
Набор ассетов для симулированной среды TongSIM, связанный с обучением embodied-агентов.
Синтетические тексты на английском для instruction tuning и fine-tuning моделей генерации ответов.
Крупный набор ссылок на Flickr-изображения в public domain и CC0 для обучения.
Корпус из ~30 млн одиночных клеточных транскриптомов человека для предобучения Geneformer.
364 420 пар вопрос-ответ по медицине на китайском для обучения и проверки медицинских LLM.
750K CT/MRI-снимков и 7,5M сгенерированных VQA-примеров с экспертными аннотациями для обучения и бенчмарка.
Объединённые диалоговые данные для QA, суммаризации, генерации, классификации и table-to-text.
Пары вопрос-ответ по научным статьям arXiv на английском для обучения и проверки QA-систем.
Небольшой бенчмарк вопросов по документам из восьми доменов для мультимодального рассуждения.
Утверждения, аргументы людей и моделей и оценки убедительности для исследований языковых моделей.
Битексты для 148 англоцентричных и 1465 неанглоцентричных языковых пар.
Около 8K текстовых примеров для обучения моделей параллельному координированному reasoning в рамках PaCoRe.
1–10 тыс. примеров для проверки, соблюдает ли модель заданную схему JSON/YAML при разных формулировках запроса.
Видеоданные для обучения и оценки генеративной модели видео Goku по текстовым описаниям.
Очищенный код на 600+ языках программирования, сгруппированный по репозиториям, для обучения LLM.
10 013 изображений стройплощадок с аннотациями для проверки понимания сцен vision-language моделями.
Пары предпочтений для DPO, повышающие правдивость модели без потери отыгрывания роли человека.
Пары вопрос–ответ из реальных консультаций с психологами для обучения эмпатичным диалогам.
2160 задач с полями problem, thinking, solution, difficulty и category после автоочистки.
Пары предпочтений из глав книг Project Gutenberg для улучшения художественного письма LLM.