Датасеты с Hugging Face с описанием на русском: что внутри и какие модели на них обучить. В каталоге уже 1 103, новые добавляются каждый час.
Отвечает DeepSeek · переписка хранится только в этой вкладке
18 тыс. описаний задач и решений на Python в Alpaca-формате для обучения генерации кода.
783 ГБ кода на 86 языках с GitHub Issues, Jupyter-ноутбуками и коммитами — около 250 млрд токенов.
Ежемесячные многоязычные дампы Википедии, подготовленные для загрузки через datasets в NLP-проектах.
735 тыс. синтетических примеров рассуждений по 28 тыс. задач competitive programming.
64K промптов и 256K ответов LLM с оценками для обучения reward- и critic-моделей.
Полный корпус LaTeX-исходников arXiv, разобранный и выровненный с официальными метаданными в Parquet.
Высококачественные англо- и китайскоязычные веб-тексты L3 с усиленными сигналами рассуждения для обучения LLM.
Зеркало открытой платформы с пользовательскими промптами для ChatGPT и других ИИ-чатов.
Медицинские задачи с цепочками рассуждений на английском и китайском для SFT и инициализации reasoning-моделей.
Обновлённая Wikipedia из HTML-дампов августа 2025: 325 языков, чистые статьи и метаданные.
350 тыс. проверенных цепочек рассуждений по математике, коду и науке для обучения пошаговому reasoning.
Около 100 тыс. алгебраических текстовых задач на английском с пошаговыми объяснениями решений.
Диалоги агентов с вызовами инструментов из пула 26 507 API — для обучения моделей function calling.
Английские математические задачи с вариантами ответов, цепочками рассуждений и правильными ответами для QA-моделей.
Тестовые вопросы MMLU по 57 темам, переведённые на 14 языков профессиональными переводчиками.
Более 15 млн SFT-примеров на английском и китайском для посттренировки модели MiniCPM5-1B-SFT.
Новостные статьи BBC с однофразовыми summary для обучения экстремальному суммаризированию.
Корпус по кибербезопасности для обучения и вопросно-ответных задач на английском.
Данные для обучения и оценки безопасных ответов: предпочтения, пары вопрос-ответ и промпты на английском.
10K–100K вопросов с множественным выбором для оценки LLM на китайском языке и в культурном контексте.
Отфильтрованный и дедуплицированный английский веб-корпус из CommonCrawl для обучения языковых моделей.
Проверенные примеры function calling на английском для обучения и оценки LLM-агентов.
Англо-китайские траектории tool use для instruction-tuning агентных моделей, около 500 тыс. примеров.
Англоязычный SFT-датасет от NVIDIA с траекториями для обучения LLM работе в терминале.