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
650 тыс. синтетических текстов-учебников от детского сада до аспирантуры на основе Phind-CodeLlama.
Очищенная версия Huatuo26M для обучения китайских медицинских моделей.
Оригинальный арт и его контекстные вариации для задач image-to-image и стилизации.
228 557 трасс рассуждений с разбиением на блоки и сжатыми summary для обучения управлению контекстом.
40 тыс. образцов с 5 согласованными модальностями для понимания векторных инженерных чертежей.
Поведенческие текстовые данные по четырём измерениям MBTI на en и zh, объёмом 100 тыс.–1 млн, для SFT и DPO.
3 000 примеров ответов GPT-4 в более чем 2 000 многоходовых диалогах на английском для обучения чат-моделей.
SFT- и DPO-данные на английском для обучения и воспроизведения deep research агента MiroThinker-v0.1 на Qwen3.
997 трасс рассуждений по 13 дисциплинам кибербезопасности и 4 областям системной инженерии.
516k задач и 1,2 млн решений DeepSeek R1 с проверкой ответов — для обучения математическому reasoning.
2 млн пар «траектория–инструкция» в 1 000 помещений для обучения навигации по зрению и языку.
1,07 млн диалогов для SFT MOSS-003: от брейншторминга и кода до ролевых игр и письма.
40 тыс. примеров из нескольких DPO-датасетов для обучения моделей предпочтениям.
9 736 симулированных ролевых диалогов на английском в формате ShareGPT, много NSFW.
Коллекция англоязычных промптов для генерации реалистичных фотопортретов моделью FLUX.1.
2 000 пар изображение–промпт для исследований привязки промптов, стиля и эстетики в text-to-image.
Промпты и сгенерированные ответы, на которых обучали GPT4All-J и GPT4All-J-LoRA.
11 тыс. синтетических видео с RGB-кадрами, картами глубины и нормалями для прозрачных и отражающих сцен.
Вопросы, ответы и документы для оценки корейского RAG в финансах, госсекторе, медицине, праве и коммерции.
Корейский мультиспикерский корпус: обработанные пары речь–текст, метаданные и лингвистические аннотации.
Смесь AgentInstruct, Toolbench и негативных примеров для agent tuning LLM.
Бенчмарк для оценки ролевых агентов в китайских и английских сценариях.
Английский бенчмарк проверяет, соблюдает ли кодинг-агент правила при работе с репозиторием.
Инструкции на китайском для генерации романов: 50 тыс. примеров в JSON и корпус из 12 560 книг.