datasets
Training and evaluation data, with the modality, task and licence stated up front. Listed live from the Hugging Face Hub.
russian_dialoguesДатасет русских диалогов собранных с Telegram чатов.
Диалоги имеют разметку по релевантности.
Также были сгенерированы негативные примеры с помощью перемешивания похожих ответов.
Количество диалогов - 2 миллиона
Формат датасета:
{
'question': 'Привет',
'answer': 'Привет, как дела?'
'relevance': 1
}
Программа парсинга: https://github.com/Den4ikAI/telegram_chat_parser
Citation:
@MISC{russian_instructions,
author = {Denis Petrov},
title = {Russian dialogues… See the full description on the dataset page: https://huggingface.co/datasets/Den4ikAI/russian_dialogues.russian_dialogues_2
Den4ikAI/russian_dialogues_2
Датасет русских диалогов для обучения диалоговых моделей.
Количество диалогов - 1.6 миллиона
Формат датасета:
{
'sample': ['Привет', 'Привет', 'Как дела?']
}
Citation:
@MISC{russian_instructions,
author = {Denis Petrov},
title = {Russian context dialogues dataset for conversational agents},
url = {https://huggingface.co/datasets/Den4ikAI/russian_dialogues_2},
year = 2023
}
russian_instructions_2June 10:
Почищены криво переведенные примеры кода
Добавлено >50000 человеческих примеров QA и инструкций
Обновленная версия русского датасета инструкций и QA.
Улучшения:
1. Увеличен размер с 40 мегабайт до 130 (60к сэмплов - 200к)
2. Улучшено качество перевода.
Структура датасета:
{
"sample":[
"Как я могу улучшить свою связь между телом и разумом?",
"Начните с разработки регулярной практики осознанности. 2. Обязательно практикуйте баланс на нескольких уровнях: физическом… See the full description on the dataset page: https://huggingface.co/datasets/Den4ikAI/russian_instructions_2.common_corpus_pre1939_RusssianДемонстрация низкого качества OCR/HTR, поражающего обучающие датасеты на русском 19 века и ранее.
Использовать для тестирования спеллчекеров и корректоров.
TODO:
common_corpus_pre1939_Russian -как результат коррекции, вместо нынешнего некачественного
common_corpus_pre1939_Russsian
Лицензия кау у исходного PleIAs/common_corpus
Мотивация:
https://huggingface.co/datasets/PleIAs/common_corpus/discussions/2#67adb8aba035b45ce76b33dd
Feb 13, 2025
A language column was added in Common Corpus 2.0, so… See the full description on the dataset page: https://huggingface.co/datasets/foss22/common_corpus_pre1939_Russsian.russian-supreme-court-plenum-acts
Plenum Resolutions of the Supreme Court of Russia (1961–2026)
Every act published in the «Постановления Пленума» section of the Russian Supreme Court's
website: 1,504 records — 1,503 plenum resolutions plus 1 meeting
agenda — with full texts, metadata and the court's original attachments. Coverage
1961–2026; completeness verified against the court's own index at collection time
(the section reported exactly 1,504 documents).
Постановления Пленума ВС РФ — руководящие разъяснения… See the full description on the dataset page: https://huggingface.co/datasets/Alexey5676/russian-supreme-court-plenum-acts.russian_instructionsНовая версия: https://huggingface.co/datasets/Den4ikAI/russian_instructions_2
Русский датасет инструкций и QA.
Структура датасета:
{
"dialogue":[
"Как я могу улучшить свою связь между телом и разумом?",
"Начните с разработки регулярной практики осознанности. 2. Обязательно практикуйте баланс на нескольких уровнях: физическом, эмоциональном, умственном и духовном. 3. Свяжитесь с природой, когда это возможно - идите на прогулки или бегайте на улице, или просто сидите в парке и… See the full description on the dataset page: https://huggingface.co/datasets/Den4ikAI/russian_instructions.Toxic_Russian_Commentshttps://www.kaggle.com/datasets/alexandersemiletov/toxic-russian-comments
0 - neutral user comments
1 - toxic user comments
Toxic Russian Comments Dataset
This dataset contains labelled comments from the popular Russian social network ok.ru.
The data was used in a competition where participants had to automatically label each comment with at least one of the four predefined classes. The classes represent different levels of toxicity. The competition was held on the All Cups platform.
Each… See the full description on the dataset page: https://huggingface.co/datasets/AlexSham/Toxic_Russian_Comments.russian_literature
RusLit Corpus
A corpus of Russian literature in clean text format.
Description
This dataset contains cleaned text (stripped of extraneous artifacts) collected from works by authors who passed away more than 70 years ago, placing them in the public domain.
Some texts may contain semantic nonsense (e.g. OCR or digitization artifacts), as well as fragments of French, German, English, or Japanese text mixed in with the Russian.
Structure
Each record… See the full description on the dataset page: https://huggingface.co/datasets/RafaelUI/russian_literature.russian_instructions_2_cleaned
Russian Instructions Cleaned
Очищенная версия Den4ikAI/russian_instructions_2.
Что сделано
Дедупликация по question (удалено ~45k)
Удалены пустые question и answer
Удалены ответы короче 100 и длиннее 4000 символов
Конвертировано в chat-формат (messages: user/assistant)
Статистика
Метрика
Значение
Исходно
237 281
После чистки
138 973
Удалено
98 308 (41%)
Формат
JSONL, одна строка = один пример.
{"messages":… See the full description on the dataset page: https://huggingface.co/datasets/Lev384501/russian_instructions_2_cleaned.russian_code_qarussian-news-telegram-dataset
Description in English:
Dataset collected from 30 Russian-language Telegram news channels on the topic News and Media,
collected and marked up automatically using the Scoutie data collection and marking service.Try Scoutie and collect the same or another dataset using the link.
Dataset fields:
taskId - task identifier in the Scouti service. text - main text. url - link to the publication. sourceLink - link to Telegram. subSourceLink - link to the channel. views… See the full description on the dataset page: https://huggingface.co/datasets/ScoutieAutoML/russian-news-telegram-dataset.russian_prompt_injections📄 Dataset Description
This dataset comprises examples of direct prompt injection attacks in Russian, curated to evaluate the robustness of instruction-following language models (LLMs). Each entry includes a Russian prompt, its English translation, the type of injection technique employed, and the source of the prompt.
📂 Dataset Structure
The dataset is provided in JSON format with the following fields:
prompt_ru: The original Russian prompt intended for testing LLMs.
prompt_en: The English… See the full description on the dataset page: https://huggingface.co/datasets/dmtrdr/russian_prompt_injections.russian_dpo_qa
Format
Each row contains:
prompt
chosen
rejected
Usage
from datasets import load_dataset
dataset = load_dataset("eridai/russian_dpo_qa")
train = dataset["train"]
russian_classic_literatureDataset_of_Russian_thinkingRu
RTD
Описание:Russian Thinking Dataset — это набор данных, предназначенный для обучения и тестирования моделей обработки естественного языка (NLP) на русском языке. Датасет ориентирован на задачи, связанные с генерацией текста, анализом диалогов и решением математических и логических задач.
Основная информация:
Сплит: train
Количество записей: 147.046
Цели:
Обучение моделей пониманию русского языка.
Создание диалоговых систем с естественным взаимодействием.… See the full description on the dataset page: https://huggingface.co/datasets/qwqeqw/Dataset_of_Russian_thinking.genius-lyrics-russiandzen-russian-articles
Dzen Russian Articles Dataset
Русскоязычные статьи с dzen.ru.
Датасет в активном сборе — новые статьи добавляются регулярно, объём постоянно растёт.
Как устроен парсинг
Статьи собираются с dzen.ru и обрабатываются через Gemini в качестве движка извлечения: модель очищает текст, разбивает на абзацы, определяет категорию, теги, ключевые слова и тональность. Поле extractor содержит название используемой модели (gemini/gemini-3.5-flash-lite).
Структура… See the full description on the dataset page: https://huggingface.co/datasets/ru-dataset/dzen-russian-articles.russian-colloquial-sft-50k
Russian colloquial SFT (50k, mat-free)
English: ~50,000 chat SFT examples: rewrite formal Russian into casual Telegram-style Russian without profanity.
Format
Each line is JSON with a messages array (ShareGPT / TRL):
{
"messages": [
{
"role": "user",
"content": "Перепиши простым разговорным русским, как в переписке. Без мата и грубости. Сохрани смысл:\n<формальный текст>"
},
{
"role": "assistant",
"content": "<разговорный ответ>"… See the full description on the dataset page: https://huggingface.co/datasets/pavelfedortsov/russian-colloquial-sft-50k.rus-scifactCorrupted-russian-word-documents-text-datasetThis is synthetic text-corruption dataset, based on Russian open official/government documents text.
This dataset is intended to be used to train LLM to perform text-recovery task.
All the errors in text is made solely in Russian sentences, hence ignoring any English sentence.
Texts contains complex formatting, which is common for documents.
Each line contains json object that have array messages value, which consists of role-based conversation.
Each first message is randomly chosen system… See the full description on the dataset page: https://huggingface.co/datasets/Kemsekov/Corrupted-russian-word-documents-text-dataset.chatgpt-in-russia-qa
Dataset Card for чатгпт-в-россии.рф
Dataset Summary
This dataset contains question-answer pairs collected from чатгпт-в-россии.рф (meaning in English would be something like chatgpt-in-russia[.]rf), a Russian question-answering website. Each entry in the dataset represents a question asked by a user and the corresponding answer generated by an unspecified language model. The dataset contains 704,208 unique question-answer pairs covering various topics.… See the full description on the dataset page: https://huggingface.co/datasets/nyuuzyou/chatgpt-in-russia-qa.russian-instructions-10k
russian-instructions-10k
Russian instruction-following dataset for fine-tuning LLMs. Translated from Alpaca Cleaned with coding/math boost.
Size
9,975 examples
Language
Russian
Format
instruction_ru → output_ru (Alpaca-style)
Translation
Gemma 4 26B via llama.cpp API
Filtering
All coding + math examples included, remaining sampled from cleaned Alpaca
License
Same as Alpaca (CC BY-NC 4.0 / subject to OpenAI ToS)
Structure
Each entry has… See the full description on the dataset page: https://huggingface.co/datasets/LLiserginov/russian-instructions-10k.MATH-500-Russian
Карточка датасета MATH-500-Russian
Перевод датасета HuggingFaceH4/MATH-500 на русский язык,
был выполнен моделью qwen2.5:32b через
скрипты EvilFreelancer/datasets-translator.
Данный набор данных содержит подмножество из 500 задач из теста MATH, который OpenAI создал для статьи Let's Verify
Step by Step и переведённых на русский язык.
Подробности в их репозиторий на GitHub.
toxic-russian-datasethttps://www.kaggle.com/datasets/alexandersemiletov/toxic-russian-comments
0 - neutral user comments
1 - toxic user comments
Toxic Russian Comments Dataset
This dataset contains labelled comments from the popular Russian social network ok.ru.
The data was used in a competition where participants had to automatically label each comment with at least one of the four predefined classes. The classes represent different levels of toxicity. The competition was held on the All Cups platform.
Each… See the full description on the dataset page: https://huggingface.co/datasets/ilyiniv1755/toxic-russian-dataset.russian-retrievalBased on Sberquad
Answer converted to human affordable answer.
Context augmented with some pices of texts from wiki accordant to text on tematic and keywords.
This dataset cold be used for training retrieval LLM models or modificators for ability of LLM to retrieve target information from collection of tematic related texts.
Dataset has version with SOURCE data for generating answer with specifing source document for right answer. See file retrieval_dataset_src.jsonl
Dataset consists of… See the full description on the dataset page: https://huggingface.co/datasets/MLNavigator/russian-retrieval.Russian_classical_literature
Датасет классической русской литературы
Описание
Датасет сформирован из произведений классической русской литературы, находящихся в общественном достоянии.
Лицензия
CC0 1.0 Universal Public Domain Dedication
Список произведений
Лев Толстой - "Война и мир"
Лев Толстой - "Детство"
Фёдор Достоевский - "Преступление и наказание"
Фёдор Достоевский - "Братья Карамазовы"
Лев Толстой - "Анна Каренина"
Лев Толстой - "Воскресение"
[
{
"input":… See the full description on the dataset page: https://huggingface.co/datasets/MarkProMaster229/Russian_classical_literature.russian-instructions-10k
russian-instructions-10k
Russian instruction-following dataset for fine-tuning LLMs. Translated from Alpaca Cleaned with coding/math boost.
Size
9,975 examples
Language
Russian
Format
instruction_ru → output_ru (Alpaca-style)
Translation
Gemma 4 26B via llama.cpp API
Filtering
All coding + math examples included, remaining sampled from cleaned Alpaca
License
Same as Alpaca (CC BY-NC 4.0 / subject to OpenAI ToS)
Structure
Each entry has… See the full description on the dataset page: https://huggingface.co/datasets/capapdsa/russian-instructions-10k.Russian_spell_dataset
Russian Spell Dataset
Датасет для обучения и дообучения моделей исправления ошибок автоматического распознавания русской речи.
Содержание
Датасет содержит 1 139 пар текстов в формате JSONL:
input — текст с опечатками, ошибками распознавания речи, пропущенной пунктуацией или неправильным регистром;
output — исправленная версия текста.
Также есть примеры без ошибок, где input совпадает с output. Это помогает модели не вносить исправления в уже корректный текст.… See the full description on the dataset page: https://huggingface.co/datasets/Embim/Russian_spell_dataset.russian_cleared_wikipediaNogai-Russian-SFT-Biblical-v2
Nogai-Russian SFT Biblical Corpus v2
Russian↔Nogai translation instructions (ChatML) from human Bible translations by the Institute for Bible Translation (IBT). This is a clean rebuild of v1 with splits that can be used for evaluation. Built with build_sft_clean.py (seed 42).
Splits
Split
Pairs
Rows (2 directions per pair)
train
507
1,014
validation
60
120
test
58
116
How it was built from v1
4,310 v1 rows reduce to 650 unique… See the full description on the dataset page: https://huggingface.co/datasets/ansarzeinulla/Nogai-Russian-SFT-Biblical-v2.