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
Каталог-индекс simulation-ready цифровых двойников для робототехники и Physical AI.
Синтетические пары «описание → shell-команда» на 10 языках для обучения LLM администрированию Linux.
Выровненные параллельные субтитры с OpenSubtitles: 1 782 языковые пары и 22,1 млрд токенов для перевода.
Крупный набор пар изображение—LaTeX для распознавания математических формул.
Крупный набор японских инструкций и чат-ответов для LoRA-тюнинга языковых моделей.
Траектории агентного кодинга в Claude Code для бенчмарка CC-Bench-V1.1 на 74 задачах.
10K–100K инструкций и React-приложений, сгенерированных Llama 3.1 и DeepSeek Chat V3 в стиле Claude Artifacts.
Аудио и текст для text-to-speech: по 2000 фраз на язык, более 7000 языков.
20 тыс. спрайтов пиксель-арта 24×24 с текстовыми подписями и семантической таксономией для генерации изображений.
Изображения для обучения и проверки NSFW-детекторов в художественном контенте; пять классов.
100 тыс. синтетических пар изображение-текст о героях аниме и знаменитостях для обучения VLM с RAG.
Набор классов-изображений для prior preservation loss в DreamBooth при дообучении Stable Diffusion v1-5.
Однократные медицинские диалоги на китайском: вопросы пациентов и ответы врачей.
52 тыс. примеров function calling на английском с SYSTEM, USER, ASSISTANT и JSON-вызовами функций.
5 тыс. восстановленных цепочек рассуждений от Claude 4.7-Max для SFT и DPO на нескольких языках.
743 288 арабских статей, более 244 млн слов — корпус для обучения и дообучения LLM.
1,3 млн файлов исходного кода от ~4,7 тыс. топовых разработчиков GitHub на 80+ языках программирования.
460 тыс. очищенных примеров математических рассуждений на английском для обучения и проверки reasoning-моделей.
100K–1M англоязычных примеров reasoning, math и code, сгенерированных Claude Sonnet 4.6.
Сгенерированные StarCoder инструкции для обучения кодовых моделей по методу self-instruct.
Подмножество DISC-Med-SFT с текстовыми медицинскими вопросами и ответами на китайском для обучения и проверки QA-моделей.
Переводы GPT4ALL, Dolly и Vicuna на корейский для обучения моделей по инструкциям.
370 тыс. пар вопрос–ответ с пошаговыми CoT-обоснованиями и краткими выводами для медицинских задач.
PDF-документы на английском и китайском для проверки извлечения метаданных научной литературы.