datasets
Training and evaluation data, with the modality, task and licence stated up front. Listed live from the Hugging Face Hub.
json_data_extraction
Diverse Restricted JSON Data Extraction
Curated by: The paraloq analytics team.
Uses
Benchmark restricted JSON data extraction (text + JSON schema -> JSON instance)
Fine-Tune data extraction model (text + JSON schema -> JSON instance)
Fine-Tune JSON schema Retrieval model (text -> retriever -> most adequate JSON schema)
Out-of-Scope Use
Intended for research purposes only.
Dataset Structure
The data comes with the following fields:
title: The… See the full description on the dataset page: https://huggingface.co/datasets/paraloq/json_data_extraction.donto-qwen3.8-27b-predicate-extraction-data
Donto-Qwen3.8 Predicate Extraction Data V15
This repository is the complete public data and evidence companion to
ajaxdavis/donto-qwen3.8-27b-predicate-extractor.
It contains the canonical V15 extraction training/validation corpus, the
validator corpus, the optional D1-repeat ablation, the once-sealed 100-document
graph-first gold suite, exact tool schemas, generator/evaluator source, hashes,
and audit reports.
Why this dataset exists
Donto is designed for… See the full description on the dataset page: https://huggingface.co/datasets/ajaxdavis/donto-qwen3.8-27b-predicate-extraction-data.promoter-component-extraction-datafunding-extraction-artifact-data-mix-grpo-mixed-reward
Funding Extraction Training Data
Training, evaluation, and test data for fine-tuning LLMs to extract structured funding metadata (funder names, award IDs, funding schemes, award titles) from academic paper funding statements.
Dataset Structure
data/
├── full/ # Complete unsplit dataset
│ ├── train.jsonl # 5,264 real Crossref funding statements
│ └── synthetic.jsonl # 10,124 LLM-generated funding statements
├── sft/… See the full description on the dataset page: https://huggingface.co/datasets/cometadata/funding-extraction-artifact-data-mix-grpo-mixed-reward.feature_extraction_training_datadata-extraction-sft-100k
Data Extraction SFT (100K)
100,000 ShareGPT conversations demonstrating structured information extraction from unstructured text. Each example takes a real-world document (invoice, contract, resume, research abstract, meeting notes, log files) and extracts the relevant information into JSON, markdown tables, or other structured formats.
Motivation
Information extraction is one of the highest-value NLP tasks in enterprise settings. Common model failures include:… See the full description on the dataset page: https://huggingface.co/datasets/stindardlogic/data-extraction-sft-100k.feature_extraction_training_data_unilever_v1.1ecotopia-extraction-data
Ecotopia Extraction Data
Training dataset for the Ecotopia promise extraction model. Contains mayor speeches paired with structured JSON extractions of political promises and contradiction detection.
Dataset Details
Size: 200 examples (160 train / 40 validation)
Format: Conversational (system/user/assistant messages)
Task: Extract promises (text, type, impact) and detect contradictions from free-text speeches
Links
Extract Model
GitHub Repo
feature_extraction_training_data_unileverfunding-extraction-distillation-data-funders-award-idsfunding-extraction-distillation-datafunding-extraction-sft-data
Funding Extraction SFT Data
Training data for supervised fine-tuning of funding statement extraction models. Given a funding statement from a scholarly work, the task is to extract structured funder information including funder names, award IDs, funding schemes, and award titles.
Dataset Structure
Files
File
Examples
Description
train.jsonl
1,316
Real funding statements from Crossref metadata (with DOIs)
synthetic.jsonl
2,531
Synthetically… See the full description on the dataset page: https://huggingface.co/datasets/cometadata/funding-extraction-sft-data.funding-extraction-rl-datafiness-extraction-du-fichier-des-etablissements
FINESS Extraction du Fichier des établissements
Source
Source officielle : https://www.data.gouv.fr/datasets/finess-extraction-du-fichier-des-etablissements
Identifiant du jeu de données data.gouv.fr : 53699569a3a729239d2046eb
Slug data.gouv.fr : finess-extraction-du-fichier-des-etablissements
Licence indiquée dans les métadonnées data.gouv.fr : fr-lo
Structure Hugging Face
Un jeu de données data.gouv.fr = un dépôt Hugging Face
Une ressource… See the full description on the dataset page: https://huggingface.co/datasets/Data-Gouv-ML/finess-extraction-du-fichier-des-etablissements.BEE-spoke-data__tFINE-900m-instruct-orpofeature_extraction_training_data_function_callingEntity_Extraction_DataBEE-spoke-data__smol_llama-220M-openhermesuniliver_product_extraction_training_data_v2.1webtoon_text_extraction_dataReference_Extraction_Datafiness-extraction-du-fichier-des-etablissements
FINESS Extraction du Fichier des établissements
[!NOTE]
Ce jeu de données Hugging Face est vide. Cette carte sert seulement à référencer le jeu de données FINESS Extraction du Fichier des établissements qui est disponible à l'adresse https://www.data.gouv.fr/datasets/53699569a3a729239d2046eb
Description
Liste des établissements du domaine sanitaire et social.
Informations sur la géolocalisation :
Tous les deux mois, le projet mutualisé des Ars – Atlasanté – géocode les… See the full description on the dataset page: https://huggingface.co/datasets/french-open-data/finess-extraction-du-fichier-des-etablissements.finess-extraction-des-equipements-materiels-lourds
FINESS Extraction des équipements matériels lourds
[!NOTE]
Ce jeu de données Hugging Face est vide. Cette carte sert seulement à référencer le jeu de données FINESS Extraction des équipements matériels lourds qui est disponible à l'adresse https://www.data.gouv.fr/datasets/5369956ba3a729239d2046ff
Description
Liste des équipements matériels lourds
License
Licence Ouverte / Open Licence
SeppeV__SmolLM_pretrained_with_sft_trained_with_1pc_data_on_a_preference_dpoData_Extractionannuaire-sante-extractions-des-donnees-en-libre-acces-des-professionnels-intervenant-dans-le-sys
Annuaire Santé - Extractions des données en libre accès des professionnels intervenant dans le système de Santé
[!NOTE]
Ce jeu de données Hugging Face est vide. Cette carte sert seulement à référencer le jeu de données Annuaire Santé - Extractions des données en libre accès des professionnels intervenant dans le système de Santé qui est disponible à l'adresse https://www.data.gouv.fr/datasets/69025e6c73d1f9b79ca3c365
Description
L’Annuaire Santé rassemble les… See the full description on the dataset page: https://huggingface.co/datasets/french-open-data/annuaire-sante-extractions-des-donnees-en-libre-acces-des-professionnels-intervenant-dans-le-sys.finess-extraction-des-equipements-materiels-lourds
FINESS Extraction des équipements matériels lourds
Source
Source officielle : https://www.data.gouv.fr/datasets/finess-extraction-des-equipements-materiels-lourds
Identifiant du jeu de données data.gouv.fr : 5369956ba3a729239d2046ff
Slug data.gouv.fr : finess-extraction-des-equipements-materiels-lourds
Licence indiquée dans les métadonnées data.gouv.fr : fr-lo
Structure Hugging Face
Un jeu de données data.gouv.fr = un dépôt Hugging Face
Une… See the full description on the dataset page: https://huggingface.co/datasets/Data-Gouv-ML/finess-extraction-des-equipements-materiels-lourds.donnees-descriptives-de-l-activite-d-extraction-de-granulats-marins-a-l-echelle-metropolitaine-p
Données descriptives de l'activité d'extraction de granulats marins à l'échelle métropolitaine - projet Carpediem 2018
[!NOTE]
Ce jeu de données Hugging Face est vide. Cette carte sert seulement à référencer le jeu de données Données descriptives de l'activité d'extraction de granulats marins à l'échelle métropolitaine - projet Carpediem 2018 qui est disponible à l'adresse https://www.data.gouv.fr/datasets/684be6a27dd2fdcc07ae0153
Description
Données produites dans… See the full description on the dataset page: https://huggingface.co/datasets/french-open-data/donnees-descriptives-de-l-activite-d-extraction-de-granulats-marins-a-l-echelle-metropolitaine-p.dataextractionfiness-extraction-des-equipements-sociaux-et-medico-sociaux
FINESS Extraction des équipements sociaux et médico-sociaux
Source
Source officielle : https://www.data.gouv.fr/datasets/finess-extraction-des-equipements-sociaux-et-medico-sociaux
Identifiant du jeu de données data.gouv.fr : 5369956ca3a729239d204701
Slug data.gouv.fr : finess-extraction-des-equipements-sociaux-et-medico-sociaux
Licence indiquée dans les métadonnées data.gouv.fr : fr-lo
Structure Hugging Face
Un jeu de données data.gouv.fr = un… See the full description on the dataset page: https://huggingface.co/datasets/Data-Gouv-ML/finess-extraction-des-equipements-sociaux-et-medico-sociaux.