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
Данные CodeActInstruct: многошаговые задачи, где агент действует исполняемым Python-кодом.
200 вопросов с контекстом из финансовых, юридических и деловых документов для проверки RAG.
118 тыс. научных STEM-задач с пошаговыми CoT-рассуждениями для SFT и alignment.
Отобранные китайские вопросы с ответами GPT-4 в кратком стиле, вдохновлённые COIG-CQIA.
120 тыс. инструкций по программированию в стиле Alpaca с колонкой prompt — для дообучения кодовых моделей.
2,58 млн пар «инструкция — ответ» на английском, созданных дистилляцией от gpt-3.5-turbo.
Коллекция уличных видео для обучения моделей классификации сцен и детекции объектов.
Синтетические табличные записи о госпитализациях: демография, счета, лекарства и анализы.
100K–1M примеров в ShareGPT для обучения инструкциям, ответы сгенерированы Sonnet 3.5 без цензуры.
Около 8 тыс. реальных диалогов с мемами из Douyin, Xiaohongshu и Bilibili для обучения разговорной модели.
130+ млн отзывов покупателей Amazon на английском в TSV для NLP-задач.
Открытый диалоговый датасет для SFT: промпты и ответы text-davinci-003 на английском и китайском.
Набор картинок с подписями для обучения генерации персонажей D&D: расы и классы, примерно по 30 изображений.
Текстовые примеры рассуждений без отказов для обучения и проверки reasoning-моделей.
Длинные романы и иерархические планы для обучения моделей связному повествованию.
Общий набор задач «проблема — рассуждение — ответ» для посттренинга LLM, очищенный от дублей и утечек.
Изображения счетов и чеков с текстом для OCR; в карточке мало описания.
Небольшой набор китайских ролевых диалогов в формате ShareGPT, собранный из нескольких источников.
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.
Набор разнообразных задач для проверки и сравнения возможностей больших языковых моделей.
OMat24 и модифицированный sAlex от Meta для исследований материалов и FAIRChem.
Около 400 тыс. сгенерированных ChatGPT ролевых диалогов на китайском с описанием персонажей.
История фьючерсов Binance по BTC, ETH, BNB и SOL: 1-минутные свечи и метрики с 2020–2021 по 2026 год.