Датасеты с Hugging Face с описанием на русском: что внутри и какие модели на них обучить. В каталоге уже 1 256, новые добавляются каждый час.
Отвечает DeepSeek · переписка хранится только в этой вкладке
Метаданные почти 660 тыс. AI-песен Suno с мультиязычными описаниями и аудиомодальностью.
2,7 млн коротких историй на английском, очищенных от проблем исходного TinyStories, для обучения небольших LLM.
35 000+ часов японской речи из телепередач для обучения и проверки ASR-моделей.
Изображения блюд с метаданными для распознавания еды, классификации и нутриционного анализа.
Записи мозговой активности 35 взрослых, которые печатают короткие заученные предложения на QWERTY.
Датасет холодного старта для SFT моделей, которые учатся многошаговому рассуждению с изображениями.
Англоязычные пары реплик человек–ИИ для ролевых диалогов, собранные сообществом Pygmalion.
Крупный корпус сичуаньского диалекта с богатой разметкой для обработки диалектной речи.
Корпус фрагментов муниципального и окружного права США с метками юридической функции и темы.
Пошаговые выборы людей из 160 психологических экспериментов в текстовых сценариях на английском.
Около 1 млн пар инструкция–ответ на китайском для обучения моделей следованию командам.
Диалоги студентов с ChatGPT на курсе по ИИ с разметкой реплик, заданиями и оценками.
Текстовые данные объёмом 100 тыс.–1 млн примеров; состав и язык в карточке не описаны.
10–100 млн примеров для RL-обучения LLM общим и математическим рассуждениям в разных доменах.
27 400 пар «новостной текст — краткое содержание» на корейском для обучения и проверки моделей суммаризации.
595K пар изображение-текст из CC3M для выравнивания признаков при обучении мультимодальных моделей.
Коллекция озвученных аниме-голосов с текстовыми подписями для обучения синтезу речи.
20 сценариев для проверки агента в роли forward-deployed инженера.
Крупный англоязычный набор Mol-Instructions объёмом от 100 млн до 1 млрд примеров; в карточке почти нет описания.
Датасет long instruction-following на 12 тыс. примеров для обучения LLM работе с длинным контекстом.
Годовые отчёты 10-K компаний США, разбитые на разделы и предложения, с метками тональности.
Пары изображений математических формул с LaTeX-кодом для обучения и проверки OCR.
Мультиязычная компиляция датасетов для fine-tuning эмбеддингов под поиск, реранкинг, сходство и классификацию.
Миллион цепочек рассуждений, дистиллированных из KIMI-K2.5, с разбивкой по темам.