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
Крупнейший набор схем и PCB: исходники, изображения, метаданные и связанные файлы плат.
Мультимодальный бенчмарк из 2500 сложных вопросов по десяткам академических тем.
1–10 млн 10-секундных клипов с YouTube и метками звуков по онтологии AudioSet для аудиоклассификации.
Обновлённый Alpha-набор эпизодов для robotics: 36 задач, интерактивные объекты и увеличенная длительность.
34–54 млрд токенов математических учебных текстов, отфильтрованных из CommonCrawl для обучения моделей.
5 млн примеров для SFT кодовых LLM: разнообразные инструкции на английском от NVIDIA.
Отфильтрованное по качеству подмножество FineWeb2 на 20 языках для более быстрого предобучения языковых моделей.
Четыре набора LIBERO с эпизодами робота Panda, объединённые и переведённые в формат LeRobot.
1–10 млрд текстов на английском и китайском после пайплайна проверки качества.
15 тыс. записей instruction-following на английском в категориях InstructGPT для дообучения и проверки моделей.
20 задач на английском и китайском для проверки LLM на длинном контексте: QA, суммаризация, код.
Крупный англо-китайский корпус изображений, текстов и документов для обучения мультимодальных моделей.
Минутные свечи OHLCV тысяч американских акций за десятилетия, в Parquet-файлах по месяцам.
10 000 часов эгоцентричного видео, снятого в настоящих заводских цехах, для обучения роботов и Vision-Language-Action моделей.
1 млн синтетических примеров для SFT, на которых обучали семейство SmolLM2-Instruct.
Медицинские исследовательские вопросы с ответами yes/no/maybe по abstracts статей PubMed.
7 953 товарных 3D-модели ABO в GLB с PBR-текстурами, реальными размерами и упрощённым весом для браузера.
10 тыс. инструкций и ответов от людей для SFT, чтобы модели лучше следовали командам.
Пары ответов с человеческими предпочтениями по полезности и безопасности для обучения reward-моделей.
Бенчмарк для оценки систем парсинга реальных корпоративных документов по пяти измерениям.
Коллекция AI-сгенерированных 3D-ассетов с превью и исходными входными данными, около 39 ГБ.
Около 40 тыс. пар математических задач и решений из AIME, AMC и Omni-MATH для обучения рассуждениям.
Корпус из 115 млн файлов кода GitHub на 32 языках для обучения и проверки генерации кода.
Три набора 3D-объектов с рендерами и точками для text-to-3D и image-to-3D.