datasets
Training and evaluation data, with the modality, task and licence stated up front. Listed live from the Hugging Face Hub.
temiz-OSCAR
Dataset Card for Temiz OSCAR
Temiz OSCAR is a corpora collection consisting of cleaned versions of original OSCAR corpora.
This collection is made up of four datasets: OSCAR-2019, OSCAR-2109, OSCAR-2201 and OSCAR-2301
This corpus is a part of large scale Turkish corpus Bella Turca. For more details about Bella Turca, please refer to the publication.
Dataset
num instances
size
num of words
OSCAR-2019
3.671.430
7.7G
976M
OSCAR-2109
8.472.809
18G
2.22B
OSCAR-2201… See the full description on the dataset page: https://huggingface.co/datasets/turkish-nlp-suite/temiz-OSCAR.Turkish-SFT-Dataset-v1.0
Turkish-SFT-Dataset-v1.01
Repo: AlicanKiraz0/Turkish-SFT-Dataset-v1.0Sürüm: v1.01Lisans: MITBiçim: jsonl (kolonlar: system, user, assistant)Boyut: ~5500 satır ve satır başına 3.000–4.500 token/satır (≈ 20M+ token)Dil: Türkçe (tr)Görevler: talimat izleme, SFT, muhakeme, güvenli ret, uzun-bağlam ve araç kullanım bilinci
🔎 Özet
Bu veri kümesi, Türkçe Denetimli İnce Ayar (SFT) için tasarlanmış, yüksek kaliteli ve uzun çıktılar içeren örneklerden oluşur. İçerik 12 ana… See the full description on the dataset page: https://huggingface.co/datasets/AlicanKiraz0/Turkish-SFT-Dataset-v1.0.AkademikDerlem
Dataset Card for AkademikDerlem
AkademikDerlem is a scientific text corpus for Turkish, gathered from misc academical publication websites.
This corpus is a part of large scale Turkish corpus Bella Turca. For more details about Bella Turca, please refer to the publication.
This collection is made up of five datasets: Articles, Academic-Abstracts, Medical-Articles, Medical-Abstracts, and Bilkent-Writings. The Bilkent-Writings dataset comes from creative writings produced in the… See the full description on the dataset page: https://huggingface.co/datasets/turkish-nlp-suite/AkademikDerlem.turkish-llm-injection
🇹🇷 AltaySec Turkish LLM Prompt Injection Dataset (v0.2)
Türkiye'nin ilk Türkçe-öncelikli, kategorize edilmiş LLM prompt injection veri seti — genişletilmiş sürüm.
📌 TL;DR
300 elle/üretim-destekli hazırlanmış Türkçe prompt injection payload'u, 12 saldırı kategorisi × 25, OWASP LLM Top 10 (2025) ile eşlenmiş. v0.1'in 120 çekirdek payload'una, AltayDuel arenasındaki bulgular ışığında üretilip düşmanca kalite/dedup denetiminden geçirilmiş 180 yeni payload eklendi.… See the full description on the dataset page: https://huggingface.co/datasets/AltaySec/turkish-llm-injection.Havadis
Dataset Card for Havadis
Havadis is a high quality and large Turkish news corpus, indeed the largest Turkish news corpus ever.
This corpus is scraped from online news sebsites and includes text from popular newspapers such as
CNN Türk
Habertürk
Hürriyet
Millyet
NTV
Posta
Sabah
Star
Sözcü
Takvim
. The instances are first crawled from the corresponding websites, then went throught an extensive cleaning process. We eliminated instances that are too short, too repetetive… See the full description on the dataset page: https://huggingface.co/datasets/turkish-nlp-suite/Havadis.InstrucTurca
InstrucTurca v1.0.0 is a diverse synthetic instruction tuning dataset crafted for instruction-tuning Turkish LLMs. The data is compiled data various English datasets and sources, such as code instructions, poems, summarized texts, medical texts, and more.
Dataset content
BI55/MedText
checkai/instruction-poems
garage-bAInd/Open-Platypus
Locutusque/ColumnedChatCombined
nampdn-ai/tiny-codes
Open-Orca/OpenOrca
pubmed_qa
TIGER-Lab/MathInstruct… See the full description on the dataset page: https://huggingface.co/datasets/turkish-nlp-suite/InstrucTurca.turkish-resmi-gazete
Turkish Resmi Gazete (Official Gazette) — Full Corpus
Türkiye Resmî Gazete'sinin 2019-01-02'den 2026-07-17'ye kadar yayımlanan tüm sayılarının tam metnini içeren bir derlemdir. Kanunlar, yönetmelikler, Cumhurbaşkanı kararları, tebliğler, Anayasa Mahkemesi kararları, kurul kararları ve atama kararnameleri dahil olmak üzere Resmî Gazete'de o tarih aralığında yayımlanmış her türden resmî belge yer almaktadır.
İçerik ve Kaynak
Resmî Gazete, günlük yayınlarını… See the full description on the dataset page: https://huggingface.co/datasets/moganai/turkish-resmi-gazete.ForumSohbetleri
Dataset Card for ForumSohbetleri
ForumSohbetleri a web forum tetx corpus for Turkish, indeed first large-scale Turkish forum text corpus.
This corpus is a part of large scale Turkish corpus Bella Turca. For more details about Bella Turca, please refer to the publication.
This collection is made up of several subsets, each subset is gathered from the corresponding forum website. Forum websites contains diverse topics, ladies only, tech, economics, life, relations and much more...… See the full description on the dataset page: https://huggingface.co/datasets/turkish-nlp-suite/ForumSohbetleri.turkish-medicine-law
turkish-medicine-law
Bu veri seti, Türkçe tıp ve sağlık hukuku alanında hazırlanmıştır. Türkçe hukuk alanında genel amaçlı birkaç kaynak bulunuyor, ama tıp hukuku özelinde hazırlanmış bir veri seti şimdiye kadar yoktu. Bu proje o boşluğu doldurmayı amaçlıyor.
Veri setindeki örnekler hukukçular, bilirkişiler ve sağlık kuruluşlarının hukuk birimleri için hazırlandı. Hastaya veya hekime doğrudan hukuki görüş sunmak amacıyla kullanılmak üzere tasarlanmadı. Buradaki çıktılar bir ön… See the full description on the dataset page: https://huggingface.co/datasets/tunahanf/turkish-medicine-law.Bilge-Turkish-CoT-50K
Bilge: Turkish Chain-of-Thought Dataset (50K)
50,000 örneklik Türkçe Chain-of-Thought (CoT) reasoning fine-tuning veri seti.
Bilge, Türkçe büyük dil modellerinin adım adım düşünme (reasoning) kapasitesini
geliştirmek amacıyla hazırlanmış bir Chain-of-Thought veri setidir.
Veri setindeki her örnek, modelin önce <think> blokları içinde görünür bir
muhakeme süreci yürütmesini, ardından kullanıcıya yapılandırılmış ve detaylı
bir cevap vermesini öğretmek üzere tasarlanmıştır.
Bu… See the full description on the dataset page: https://huggingface.co/datasets/bugrabilge/Bilge-Turkish-CoT-50K.kap-turkish-financial-sentiment
KAP Turkish Financial Sentiment Dataset
Türkçe KAP (Kamuyu Aydınlatma Platformu) bildirimleri için çok boyutlu finansal analiz dataseti.
Dataset Bilgileri
Özellik
Değer
Kayıt Sayısı
3,839
Dil
Türkçe
Kaynak
KAP Bildirimleri
Etiketleme
GPT-4 (Teacher Model)
Format
JSONL (Chat Messages)
Kullanım Alanları
Türkçe finansal sentiment analizi
KAP bildirimi sınıflandırma
Volatilite tahmini
İlişkili taraf işlemi tespiti
LLM fine-tuning (Qwen… See the full description on the dataset page: https://huggingface.co/datasets/finansai/kap-turkish-financial-sentiment.turkish-qa-multi-dialog-dataset
Turkish QA & Multi-Dialog Dataset
Bu depo, iki farklı Türkçe veri kaynağının birleştirilmiş ve temizlenmiş sürümünü içerir:
Yaklaşık 19.000 adet soru-cevap (QA) örneği
Çok adımlı, doğal Türkçe sohbetlerden oluşan diyalog verileri
Bu dataset, hem genel amaçlı Türkçe QA modelleri hem de sohbet/chatbot modelleri için uygundur.
Veri İçeriği
QA Bölümü (~19K)
SQuAD benzeri yapıdan dönüştürülmüş input–output örnekleri
Her satır: tek bir soru ve net bir cevap… See the full description on the dataset page: https://huggingface.co/datasets/sixfingerdev/turkish-qa-multi-dialog-dataset.Turkish-CoT-Instruct-Dataset
🇹🇷 Turkish CoT Instruct Dataset
Türkçe Düşünme Zinciri (Chain-of-Thought) İçeren Talimat Veri Seti
Bu veri seti, modellerin Türkçe adım adım akıl yürütme (reasoning) yeteneğini
geliştirmek için hazırlanmıştır. Her örnekte model, cevabı vermeden önce
<think> ... </think> etiketleri arasında tamamen Türkçe olarak adım adım
düşünür, ardından ayrıntılı bir nihai cevap sunar (DeepSeek-R1 tarzı biçim).
Örnek sayısı: 4.868
Dil: Türkçe
Biçim: Sohbet (messages) — system / user /… See the full description on the dataset page: https://huggingface.co/datasets/AlicanKiraz0/Turkish-CoT-Instruct-Dataset.turkish_medical_reasoning
Türkçe Medikal Reasoning Veri Seti
Bu veri seti FreedomIntelligence/medical-o1-verifiable-problem veri setinin Türkçeye çevirilmiş bir alt kümesidir.
Çevirdiğimiz veri seti 7,208 satır içermektedir. Veri setinde bulunan sütunlar aşağıda açıklanmıştır:
question: Medikal soruların bulunduğu sütun.
answer_content: DeepSeek-R1 modeli tarafından oluşturulmuş İngilizce yanıtların Türkçeye çevrilmiş hali.*
reasoning_content: DeepSeek-R1 modeli tarafından oluşturulmuş İngilizce akıl… See the full description on the dataset page: https://huggingface.co/datasets/ituperceptron/turkish_medical_reasoning.Turkish-instruction-3m_Soru_Cevap
🌟 DESTEK & TOPLULUK ÇAĞRISI (SUPPORT & LIKE):Açık kaynak ve ücretsiz olarak sunduğum bu devasa çalışmayı faydalı bulduysanız, projenin sürdürülebilirliğine ve açık kaynak ekosisteminin görünürlüğüne katkı sağlamak için lütfen sayfanın sağ üstündeki Like (❤️ Beğeni) butonuna basarak destek olmayı unutmayın!(If you find this open-source dataset valuable for your research or models, please consider leaving a ❤️ Like at the top-right to support future updates and maintenance).
🇹🇷… See the full description on the dataset page: https://huggingface.co/datasets/bysismo/Turkish-instruction-3m_Soru_Cevap.turkish-reasoning-distilled-sft
Turkish Reasoning Distilled SFT
This dataset contains Turkish reasoning SFT data for
barandinho/qwen3.5-27b-tudum-dapo-50. The teacher model also received a
small RL run, but this dataset is its main supervised fine-tuning data. It
combines generated Turkish reasoning traces from DAPO math, WebInstruct,
AceCode, and verifier-compatible IFEval-style instruction-following sources
with verified teacher-SFT traces from DAPO math, OpenThoughts science,
OpenThoughts code, and system-chat… See the full description on the dataset page: https://huggingface.co/datasets/barandinho/turkish-reasoning-distilled-sft.turkish-flow-drafter-prompts
GitHub repo ·
Technical blog ·
Model collection
Turkish prompts for Chained-Flow drafter training
Chat-templated Turkish prompts used to train and evaluate the Turkish
Flow-Drafter
checkpoints for Qwen/Qwen3.5-4B / 9B / 27B.
Prompts only — no completions. A drafter is trained on the target model's own hidden states, so
continuations are generated locally by running the target over these prompts. Nothing here is a
model output.
split
rows
what it is
v1/… See the full description on the dataset page: https://huggingface.co/datasets/ytu-ce-cosmos/turkish-flow-drafter-prompts.Turkish-LLM-v10-Training
Turkish LLM Training Dataset v10
A curated corpus of 144,022 Turkish instruction-completion pairs used to train the Turkish LLM Family.
Dataset Description
This dataset was created to address the scarcity of high-quality Turkish instruction-following data for language model fine-tuning. It covers a broad range of topics including:
Science & Technology (physics, chemistry, biology, computer science)
History & Geography (Turkish and world history, geography)
General… See the full description on the dataset page: https://huggingface.co/datasets/ogulcanaydogan/Turkish-LLM-v10-Training.turkish-flow-drafter-prompts
Turkish prompts for Chained-Flow drafter training
Chat-templated Turkish prompts used to train and evaluate the Turkish
Flow-Drafter
checkpoints for Qwen/Qwen3.5-4B / 9B / 27B.
Prompts only — no completions. A drafter is trained on the target model's own hidden states, so
continuations are generated locally by running the target over these prompts. Nothing here is a
model output.
split
rows
what it is
v1/
29,100 train + 300 holdout
the mixture the released Turkish… See the full description on the dataset page: https://huggingface.co/datasets/selimaktas/turkish-flow-drafter-prompts.turkish-tool-calling
Türkçe Tool-Calling Veri Seti
56.247 kayıt. xLAM/APIGen 60k ve NVIDIA When2Call'dan türetilmiş,
üç davranış sınıfı içeren Türkçe function-calling veri seti.
from datasets import load_dataset
ds = load_dataset("bilalabic/turkish-tool-calling") # mesaj listesi
ds = load_dataset("bilalabic/turkish-tool-calling", "table") # düz tablo
ds = load_dataset("bilalabic/turkish-tool-calling", "sharegpt") # ShareGPT
İçerik
Kayıt
56.247… See the full description on the dataset page: https://huggingface.co/datasets/bilalabic/turkish-tool-calling.kap-turkish-financial-sentiment
KAP Turkish Financial Sentiment Dataset
Türkçe KAP (Kamuyu Aydınlatma Platformu) bildirimleri için çok boyutlu finansal analiz dataseti.
Dataset Bilgileri
Özellik
Değer
Kayıt Sayısı
3,839
Dil
Türkçe
Kaynak
KAP Bildirimleri
Etiketleme
GPT-4 (Teacher Model)
Format
JSONL (Chat Messages)
Kullanım Alanları
Türkçe finansal sentiment analizi
KAP bildirimi sınıflandırma
Volatilite tahmini
İlişkili taraf işlemi tespiti
LLM fine-tuning (Qwen… See the full description on the dataset page: https://huggingface.co/datasets/furkanyllmz/kap-turkish-financial-sentiment.Turkish-CodeAlpaca-20k
🇹🇷 Turkish CodeAlpaca-20k
Turkish CodeAlpaca-20k, popüler CodeAlpaca-20k veri kümesinin Türkçe çevirisidir.Bu veri kümesi, Türkçe kodlama görevlerinde instruction-tuning yapmak isteyen modeller için hazırlanmıştır.Tüm “instruction–input–output” çiftleri, orijinal İngilizce versiyondan anlam koruması gözetilerek çevrilmiştir.
📚 Veri Kümesi Hakkında
Toplam örnek sayısı: ~20.000
Format: JSON / Parquet
Alanlar:
instruction: Modelin ne yapması gerektiğini… See the full description on the dataset page: https://huggingface.co/datasets/berhaan/Turkish-CodeAlpaca-20k.turkish-synthetic-corpus
Turkish Synthetic Corpus
A synthetic Turkish text corpus with 1,871,131 documents, designed for Turkish language model training.
About
Inspired by HuggingFaceTB/smollm-corpus. Questions and prompts were sourced from the SmolLM Corpus pipeline; a language model then generated localized Turkish responses and documents around them. All credit for the original corpus design and methodology goes to the HuggingFace SmolLM team.
The resulting dataset covers a wide range of… See the full description on the dataset page: https://huggingface.co/datasets/cturan/turkish-synthetic-corpus.turkish-poetry-instruction-dataset
Turkish Poetry Instruction Dataset
Türkçe şiir üretimi için Alpaca instruction formatında hazırlanmış fine-tuning dataseti.
Unsloth + Qwen LoRA eğitimi (3. ödev) için tasarlanmıştır.
Format
Her satır:
{
"instruction": "Kullanıcının şiir isteği",
"input": "",
"output": "Üretilmesi beklenen şiir metni"
}
Dosyalar
Dosya
Açıklama
train.jsonl
Eğitim (%90)
validation.jsonl
Doğrulama (%5)
test.jsonl
Test (%5)
Toplam ~4.961 örnek;… See the full description on the dataset page: https://huggingface.co/datasets/besmabakirci01/turkish-poetry-instruction-dataset.temiz-WikiA cleaned version of Turkish Wikipedia dataset. The soource is wikimedia/wikipedia repo.
The text is cleaned throughoutly, first of all we eliminated text that are shorter than a predetermined threshold of words and characters. Then we normalized with NFKC, cleaned some non-ASCII chars and normalized whitespaces.
Turkish-Chat_GPT-4O
Quardo/Turkish-Chat_GPT-4O
Description
This is a simple dataset generated by OpenAI's GPT-4O (gpt-4o-2024-08-06). The dataset includes various entries created and evaluated by the AI model, providing a unique collection of Turkish chat data for analysis and research.
Warning
Please note that this dataset may contain errors or inconsistencies as it is fully generated by an AI model. It is highly recommended to check and edit the data before usage, as AI can… See the full description on the dataset page: https://huggingface.co/datasets/Quardo/Turkish-Chat_GPT-4O.turkish-recipes-175K
Turkish Recipes 175K
Türkçe yemek tarifi dataseti — 174.975 deduplike tarif kaydı. Halka açık Türkçe yemek tarifi kaynaklarından toplanmış; başlık, malzeme listesi, talimatlar, kategori, etiket, porsiyon, pişirme süreleri ve besin değerleri içerir. Türkçe büyük dil modellerinin (LLM) pretraining ve instruction-tuning'i için hazırlanmıştır.
İçerik
Split
Satır
Boyut
train
153.978
~417 MB
validation
10.498
~28 MB
test
10.499
~28 MB
Toplam
174.975… See the full description on the dataset page: https://huggingface.co/datasets/mmkocak/turkish-recipes-175K.lamba-turkish-sft
Lamba Turkish SFT Dataset
This is a Turkish Supervised Fine-Tuning (SFT) dataset. The topic distribution is largely aligned with the Turkish High School (Lise) curriculum.
It contains a wide variety of examples designed to improve model capabilities in:
Instruction following
Summarization (Özetleme)
Information extraction (Bilgi çıkarma)
General problem solving
I hope this dataset will be beneficial to the open-source and AI community.
Disclaimer
Since the vast… See the full description on the dataset page: https://huggingface.co/datasets/cturan/lamba-turkish-sft.turkish-legislation-corpus
Turkish Legislation Dataset
This dataset contains Turkish legislative texts (laws) scraped from the official Mevzuat Bilgi Sistemi (mevzuat.gov.tr). The raw data has been cleaned, stripped of unnecessary whitespace, and structured into the JSONL format.
Dataset Contents
The dataset includes the full text of laws currently in force in the Republic of Turkey, along with relevant metadata. It is suitable for NLP tasks in the legal domain, such as LLM fine-tuning, RAG… See the full description on the dataset page: https://huggingface.co/datasets/hasankursun/turkish-legislation-corpus.turkish-planning-sft
Turkish Planning SFT
Turkish Planning SFT is a large-scale synthetic instruction-following dataset designed to improve the planning capabilities of Turkish Large Language Models (LLMs).
Rather than focusing on factual question answering, the dataset teaches models how to transform user goals, requirements, and constraints into structured, practical, and actionable plans.
The dataset is intended for Supervised Fine-Tuning (SFT) and follows a conversation-oriented format… See the full description on the dataset page: https://huggingface.co/datasets/Uunan/turkish-planning-sft.