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
20 тыс. пар предпочтений на английском и китайском для DPO-обучения в LLaMA Factory.
Очищенная и категоризированная версия lmsys-chat-1m для обучения и оценки чат-моделей.
Небольшой набор однозначных STEM-задач с проверяемыми ответами для оценки рассуждений LLM.
Изображения мобильных интерфейсов с рамками и классами text, images и groups для object detection.
1 103 пары контекст-продолжение для оценки способности LLM продолжать драматические сценарии.
Табличные и текстовые данные с ограниченным доступом; состав и объём в карточке не описаны.
Курированный корпус инструкций на 1,75 млн примеров для обучения LLM следованию инструкциям.
Около 60 млн токенов распарсенных скриптов визуальных новелл на английском для обучения генерации диалогов.
16 726 пар вопрос-ответ из финансовых звонков с тремя уровнями уклончивости для классификации.
Японские изображения манги с аннотациями для академического и неакадемического использования.
1,1 млн китайско-английских многоходовых диалогов для инструктивного дообучения чат-моделей.
Проверка, знает ли LLM, чего не знает, и умеет ли исправлять ошибки.
Задачи по науке, коду и математике с подробным chain of thought и правильным ответом для обучения reasoning-моделей.
Многоязычный корпус текстов из Common Crawl, отфильтрованный по языкам; подходит для языковых моделей.
GPT-4-персонажи и диалоги на русском и английском для обучения ролевых языковых моделей.
Датасет для RL-обучения 32B-модели INTELLECT-2 с GRPO по проверяемым наградам.
Датасет генераций по промптам, на котором обучали GPT4All; английский текст, от 100 тыс. до 1 млн примеров.
Набор исследовательских задач с рубриками оценки и эталонными решениями для обучения и проверки генерации планов.
55 тыс. инструкций из WizardLM/evol_instruct_70k без примеров явного alignment-поведения.
Оцифрованные судебные решения США на английском для обучения и анализа юридических текстов.
Бенчмарк для оценки LLM в full-stack разработке через парадигму Agent-as-a-Verifier.
Огромная коллекция уникальных нормализованных MIDI для MIR и обучения символьной музыке.
Текстовый датасет на 100K–1M записей; карточка почти без описания состава.
Более 1000 учебных описаний пациентов с диагнозами и лечением по 100 болезням и 30 травмам.