Датасеты с Hugging Face с описанием на русском: что внутри и какие модели на них обучить. В каталоге уже 1 085, новые добавляются каждый час.
Отвечает DeepSeek · переписка хранится только в этой вкладке
340 юридических экзаменов из Швейцарии, ЕС и международного права для проверки reasoning-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.
Корпус текстов для сравнения ответов человека и ChatGPT; подходит для классификации и оценки сходства.
Крупный корпус пар изображение-текст, где фразы из подписи привязаны к соответствующим областям картинки.
Единый корпус из 24 публичных новостных датасетов: 57,1 млн строк с датой и текстом на английском.
363 тыс. уникальных примеров инструкций без RLHF, очищенных от дублей для обучения генеративных моделей.
Отобранные многораундовые диалоги GPT-4 на китайском, английском и других языках.
Очищенный SFT-датасет на английском из трасс агента Claude Fable-5, 12 730 записей.
100K+ многоходовых диалогов на английском для обучения безопасных собеседников.
Объединённые диалоговые данные для QA, суммаризации, генерации, классификации и table-to-text.
Тексты с фидбеком на английском, чтобы научить открытую LLM тонко оценивать длинные ответы.
Корпус фрагментов муниципального и окружного права США с метками юридической функции и темы.
Годовые отчёты 10-K компаний США, разбитые на разделы и предложения, с метками тональности.
Мультиязычная компиляция датасетов для fine-tuning эмбеддингов под поиск, реранкинг, сходство и классификацию.
Ежегодная база цитат MEDLINE/PubMed на английском в XML с ежедневными обновлениями.
Коллекция англоязычных промптов для генерации реалистичных фотопортретов моделью FLUX.1.
Сырые отчёты об уязвимостях смарт-контрактов с описанием, PoC-кодом и оценкой серьёзности.
Медицинские термины и их объяснения из Википедии для задач, где нужны определения.
16 726 пар вопрос-ответ из финансовых звонков с тремя уровнями уклончивости для классификации.
Машинный перевод OpenOrca на китайский: около 1M ответов GPT-4 и 3,2M ответов GPT-3.5 для обучения LLM.