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
Аудиокорпус японской anime-style речи из примерно 50 визуальных новелл, около 600 часов.
SQLite-база тегов и постов Danbooru2023 с последним ID 7 866 491 для генеративных моделей.
Китайские тексты для supervised finetuning и RLHF в jsonl-файле примерно на 5 ГБ.
Короткие английские аудио с медицинскими жалобами и намеренно низким качеством для проверки устойчивости.
Крупный англоязычный датасет изображений лиц с описаниями для подписей и генерации.
Переведённые на китайский инструкции Wizard-LM и ответы GPT для обучения китайских инструкционных LLM.
Небольшой англоязычный аудиодатасет реплик пациентов о лечении и рецепте для ASR и анализа эмоций.
2,7 млн синтетических учебников на 16 ГБ текста для обучения небольших языковых моделей.
Около 1,44 млн корейских примеров с лицензией MIT для коммерчески допустимого обучения.
100K–1M текстов в стиле учебников на английском для обучения небольших языковых моделей.
Коллекция текстов в стиле учебников по разным предметам для обучения и проверки языковых моделей.
700 высококачественных пар вопрос-ответ с длинными цепочками рассуждений на английском.
Подборка присланных решений для 12 челленджей HackAPrompt, включая атаки на промпты и image-only задания.
66 тыс. англоязычных инструкций по коду, усложнённых по методу Evol-Instruct для дообучения LLM.
145 163 китайских романов с Pixiv, включая R-18/R-18G, с метаданными и без очистки.
Описания популярных персонажей из разных медиа со сценариями для генерации и RAG.
Наборы для RL-обучения многошаговому рассуждению с опорой на изображения из статьи Deep But Reliable.
130 тыс. английских SFT-примеров с длинными ответами, сгенерированными QwQ-32B-Preview.
Перевод инструкций LLaVA на китайский; изображения нужно скачивать отдельно из LLaVA.
2 449 китайских вопросов с ответами GPT-4 Turbo и GPT-4o в двух версиях.
Небольшой синтетический набор цепочек рассуждений для широкого круга задач.
Смесь Dolly-15k и отфильтрованного HH-RLHF для обучения и проверки instruction-following моделей.
Свыше 4 тыс. размеченных образцов сварки: видео, аудио, временные ряды датчиков и пять изображений шва.
10K+ трудных примеров для обучения и проверки агентов, использующих инструменты.