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
Около 500 тыс. длинных ответов QwQ-32B-Preview на сложные персона-промпты.
Небольшой набор текстовых промптов с диалогами человек-ассистент, превращающих StarCoder в техпомощника.
Анонимные зарплаты и профессиональные данные IT-работников Италии из еженедельного опроса.
Крупный турецкоязычный датасет в формате MMLU для проверки и обучения языковых моделей.
100 тыс.+ примеров SFW и NSFW промптов и текстов с Reddit для обучения креативному письму.
Демонстрационная выборка из 1000 пользователь-товарных примеров с табличными и временными признаками.
24 вопроса для оценки LLM как ассистента в нецензурированном креативном письме, с ручной проверкой.
Синтетические таблицы о поведении и когнитивной нагрузке AI-ассистированных разработчиков.
222 тыс. очищенных инструкций на английском для обучения языковых моделей следовать командам.
Небольшой набор вычислительных STEM-задач для проверки глубокого reasoning LLM.
Более 3 тыс. отобранных многотуровых диалогов людей с GPT-4 для обучения и оценки чат-моделей.
Данные image-to-text для распознавания вьетнамского рукописного текста; карточка обещает более полную версию.
Короткие аудиозаписи клиентов банка на хинглише для ASR, классификации эмоций и ��олосовых агентов.
Список болезней человека из научных источников, пока черновик и без разметки.
Намеренно шумные аудиозаписи с фразой на хинглише для проверки устойчивости аудиомоделей.
Около 3,4 тыс. англоязычных DPO-пар для ролевых диалогов, в том числе NSFW.
100 тыс.–1 млн диалоговых примеров на основе ORCA: очищено, сокращено и кластеризовано для чат-моделей.
Промпты с рассуждениями GLM 4.7 для дистилляции в открытые LLM.
Машинный перевод OpenOrca на китайский: около 1M ответов GPT-4 и 3,2M ответов GPT-3.5 для обучения LLM.
150 тыс. пар инструкция-ответ с пассажами и reflection-токенами для адаптивного поиска.
Крупный очищенный набор текстовых инструкций на английском для обучения и проверки ассистентов.
1,7 млн пар промптов и изображений Midjourney v5 за апрель 2023 года в очищенной неофициальной выгрузке.
Фреймворк и данные для оценки многотуровых голосовых диалогов по точности и естественности.
Небольшие видео прохождения бронирования на Expedia с эмоциональной озвучкой.