datasets
Training and evaluation data, with the modality, task and licence stated up front. Listed live from the Hugging Face Hub.
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_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_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"]
Dataset_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.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.Corrupted-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.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.
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.Nogai-Russian-SFT-Biblical-v1
Nogai-Russian SFT Biblical Corpus v1 (superseded — use v2)
Use Nogai-Russian-SFT-Biblical-v2 instead.
This version is kept unchanged because the published SFT adapter was trained on it. Its splits are not suitable for evaluation (see below).
Russian↔Nogai translation instructions in ChatML format, from human Bible translations by the Institute for Bible Translation (IBT). Used for Phase 2 SFT of NogaiLLM.
What is in it (measured September 2026)
Rows… See the full description on the dataset page: https://huggingface.co/datasets/ansarzeinulla/Nogai-Russian-SFT-Biblical-v1.Nogai-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.big_russian_dialogueЭтот датасет содержит извлечённые диалоги из множества русскоязычных книг, аккуратно отформатированные в стиле ShareGPT. Он предназначен для обучения языковых моделей в формате ролевого общения, с выделением действий звёздочками.
Формат:
Каждый диалог оформлен в структуре ShareGPT.
Действия персонажей выделены звёздочками.
Поддерживается использование в моделях ролевого общения.
Объём данных:
Общий размер: ~1 ГБ.
Источник: Различные книги на русском языке.
Применение:
Этот датасет может… See the full description on the dataset page: https://huggingface.co/datasets/Hoaxer2000/big_russian_dialogue.bashkir-russian-parallel
Dataset Card for Bashkir-Russian Parallel Corpus
Dataset Details
Dataset Description
Bashkir-Russian Parallel Corpus is a large-scale sentence-aligned parallel corpus for the Bashkir–Russian language pair, assembled from authentic human-created translations. It contains 3,040,085 unique parallel sentence pairs, where each Bashkir sentence is aligned with its Russian counterpart.
The corpus combines data from three open parallel corpora: TIL-MT… See the full description on the dataset page: https://huggingface.co/datasets/BashkirNLPWorld/bashkir-russian-parallel.russian_parables
russian_parables
Датасет русскоязычных притч, собранный с сайта Библиотека Мудрости (wisdomlib.ru).
Содержимое
2994 притчи в формате JSONL (одна строка = один JSON-объект) с полями:
Поле
Тип
Описание
id
int
Внутренний id притчи на сайте wisdomlib.ru
title
str
Название притчи
text
str
Полный текст притчи
category
str
Категория (основная рубрика)
Пример строки:
{
"id": 10470,
"title": "Притча о прощении (Умирает женщина)",
"text":… See the full description on the dataset page: https://huggingface.co/datasets/LLiserginov/russian_parables.qwen_ds_russian_v1
Qwen-DS-Russian v1
A Russian-language dataset focused on Data Science, Machine Learning, and Python data manipulation.
Dataset Structure
Format: Instruction-Response pairs.
Samples: 2,044 curated Q&A pairs.
Topics:
General Python for Data Science
Pandas & NumPy operations
Classic Machine Learning (Scikit-Learn)
Data Visualization (Matplotlib, Seaborn)
Deep Learning foundations
Use Case
Ideal for fine-tuning small-to-medium LLMs to provide… See the full description on the dataset page: https://huggingface.co/datasets/p4ulbr4dl3y/qwen_ds_russian_v1.russian-advices
Russian advices
Syntetic dataset, 300 022 short sentence on Russian language in jsonl format.
Every row consists of json with text, topic and style attributes. topic and style used in request prompt for generation.
Generated with gemma3:4b
Usage and model described in https://habr.com/ru/companies/selectel/articles/1051354/ (ru)
russian-smm-posts
zxc0zxc0zxc/russian-smm-posts
A small Russian-language dataset of social media writing examples based on posts from major Russian media Telegram
channels.
The dataset contains up to 2,000 examples collected via Telegram Channel Export and then automatically reformatted,
structured, and annotated with ChatGPT 5.3. In practice, this dataset was created through a distillation-style pipeline,
where source posts were converted into chat-style supervised fine-tuning examples with system… See the full description on the dataset page: https://huggingface.co/datasets/zxc0zxc0zxc/russian-smm-posts.