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
Пары предпочтений из UltraFeedback, бинаризованные по средним оценкам и отобранные в Argilla.
Смесь промптов на английском для обучения antidoom-генерации и пайплайнов предпочтений; ответы генерируются отдельно.
Миллион анонимизированных объявлений о недвижимости с платформы Divar на Ближнем Востоке.
100 тыс. качественных диалогов с индийским контекстом на английском, хинди и Hinglish.
34,6 тыс. диалогов из wizard_vicuna_70k без части бесед с alignment.
10 млн видеоклипов с автоматически сгенерированными подписями и оценками UMT для видео-текстовых задач.
9 тыс. примеров цепочек рассуждений, восстановленных через Trace Inversion, для SFT и DPO.
Около 197 тыс. английских книг в .txt из Bibliotik для обучения и проверки языковых моделей.
Китайский перевод и объединённые данные HH-RLHF для обучения helpful и harmless ассистентов.
54 тыс. ролевых диалогов на английском и китайском для обучения персонажей-ассистентов.
Короткий набор пар вопрос-ответ по психическому здоровью из популярных медицинских источников.
Суммаризованные reasoning-трассы Gemini 3 Pro Preview для дистилляции в открытые LLM.
10 000 QA-диалогов с единым аниме-амплуа кошкодевочки для обучения стилю и персонажам.
290 544 очищенных ролевых поста с форума для дообучения моделей на ролеплей и креативное письмо.
Коллекция текстовых промптов Midjourney, собранных из сообщений публичного Discord-сервера.
Необработанные JSON-диалоги ShareGPT 90k с инструкцией по склейке и проверке файлов.
Гипердетализированные описания изображений на английском для обучения и оценки моделей image-to-text.
6 тыс. синтезированных задач уровня операторов для генерации и оптимизации CUDA-ядер.
Небольшой набор задач по физике, математике, биологии и химии с картинками для проверки пошаговых рассуждений.
Английский набор предпочтений для математики в DPO-формате; карточка почти пустая.
Около 50 тыс. примеров для дообучения RAG-моделей с цитированием документов.
Около 260 многораундовых ролеплей-диалогов из новелл со статусами персонажей.
205 тыс. очищенных и дедуплицированных китайских H-новелл общим объёмом 17 ГБ.
Около 290 тыс. пар text-to-SQL на английском из более чем 20 открытых источников.