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
Датасет для SFT-дообучения языковой модели генерации связных цепочек рассуждений на английском и китайском.
Небольшой англоязычный DPO-набор из отфильтрованных пар с высоко оценёнными выбранными ответами.
Небольшой набор трейсов рассуждений Claude Opus 4.6 для обучения моделей на неоднозначных и сложных запросах.
Подробные синтетические описания 16,9 млн изображений для обучения и оценки vision-language моделей.
Большой очищенный корпус вьетнамских текстов, собранный из открытых датасетов.
Размеченные изображения документов для детекции и сегментации элементов макета.
Около 49 772 трасс от qwen3.8-max-preview для SFT и off-policy дистилляции.
Крупный набор инструкций с цепочками рассуждений для обучения reasoning-моделей.
Около 250 тыс. китайских математических задач с пошаговыми решениями, сгенерированных ChatGPT.
Японские пары вопрос—безопасный ответ для проверки и обучения безопасности LLM.
Крупный мультимодальный датасет для понимания научных изображений: картинки и тексты, задача image-to-text.
Небольшая коллекция изображений машин для классификации, детекции и исследований автопилота.
Изображения, текст и табличные поля из Midjourney; в карточке заявлено 55 млн сообщений.
Небольшой отфильтрованный набор диалогов ShareGPT GPT-4, использованный для обучения OpenChat.
Фрагмент предобучающего датасета NVIDIA: математика, код и многоязычные Q&A для LLM.
Ежегодная база цитат MEDLINE/PubMed на английском в XML с ежедневными обновлениями.
Переформатированный Anthropic HH в виде prompt, chosen и rejected для обучения предпочтениям.
7 тыс. многоходовых траекторий работы агента с поисковыми инструментами на английском и китайском.
Китайский текстовый корпус промптов COIG-PC объёмом от 100 млн до 1 млрд примеров.
Небольшой набор ответов Claude Opus 4.5 с глубокими цепочками рассуждений для дистилляции открытых LLM.
PDF-страницы, переведённые OCR в plain-text с порядком чтения, для обучения и проверки OCR-пайплайнов.
Трейсы диалогов на английском для обучения лёгких моделей вызову функций Android по инструкции.
Объявления компаний, финансовые новости, статьи и тесты на китайском в JSONL.
160 успешных траекторий агента Gemini на задачах OSWorld с шагами и оценкой 1.0.