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
1–10 тыс. англоязычных изображений Midjourney с короткими и подробными промптами для text-to-image.
Набор задач по программированию для RLVR, переформатированный NousResearch из релиза DeepCoder x Agentica.
Короткий англоязычный набор диалогов для обучения ИИ отыгрывать вымышленных персонажей с характерами.
Около 300 тыс. обучающих и 5 тыс. тестовых вопросов для понимания длинных видео.
Английские аудиозаписи с фразой о симптомах, специально шумные для проверки устойчивости моделей.
Большой английский корпус математических текстов для обучения языковых моделей; есть cleaner-версия v0.2.
Короткие записи стандартного текста для обучения и проверки распознавания речи.
Более 100 тыс. пар вопрос-ответ на хинди, телугу и английском для чат-ботов и голосовых агентов.
59 438 инструкций с парами предпочтений для RLHF на английском и китайском.
Неофициальная копия Code Bagel: около 800 млн токенов уникального кода более чем на 100 языках.
Синтетические примеры кода с внесёнными багами, объяснениями от первого лица и исправлениями для обучения моделей.
32 тыс. синтетических многораундовых инструкций от Claude с двумя уточняющими шагами.
810 тыс. медицинских вопросов с пошаговыми chain-of-thought ответами на английском для SFT.
Коллекция Manga109 для академических исследований манги с доступом по академической почте.
Около 115 млн токенов синтетических учебников по программированию на английском для обучения небольших LLM.
Пары реальных запросов Chatbot Arena и качественных ответов GPT-5-Chat без отказов для дистилляции.
Аудиозаписи клиентской поддержки на английском для ASR, классификации эмоций и голосовых агентов.
Многоязычный in-the-wild корпус речи с транскрипциями для генерации и синтеза речи.
Корпус китайскоязычных текстов для обучения и настройки Taiwan LLM.
Малый набор токсичных DPO-примеров, показывающий, как быстро снять цензуру модели через direct preference optimization.
Аудиозаписи индийских дикторов с четырьмя эмоциями и текстом абзаца для классификации эмоций.
Около 2 тыс. вручную отобранных ролевых диалогов с LLM-персонажами и сценариями на английском.
220 тыс. визуально выровненных инструкций по изображениям LVIS, созданных с помощью GPT-4V.
110 113 пар медицинских запросов и ответов на китайском для обучения LLM.