Conjuntos de datos de IA con más me gusta en Hugging Face 2026

Qué muestra este gráfico. Los quince repositorios de conjuntos de datos con más me gusta en Hugging Face, leídos el 21 de septiembre de 2026 a las 08:19 UTC. El primero no es un corpus de entrenamiento: prompts.chat, cuyo repositorio entero es un único archivo CSV de textos de instrucciones publicado con licencia CC0, reúne 9839 me gusta, 2,93 veces los 3357 del corpus web fineweb. hh-rlhf de Anthropic es tercero con 2091. Los quince suman 30.995 me gusta entre todos.

Cómo se recogen los datos. Los me gusta funcionan igual para los conjuntos de datos que para los modelos: una cuenta registrada, un repositorio y un recuento público expuesto en el campo likes de la API, y la lista es la ordenación del propio Hub por ese campo. Las descargas de conjuntos de datos, citadas más abajo como comparación, se cuentan de otra manera que las de los modelos. Desde septiembre de 2024 el Hub trata todos los archivos que un usuario descarga de un mismo repositorio dentro de una ventana de cinco minutos, identificado por su dirección IP, como una sola descarga, contada en el servidor mientras se sirven los archivos. Antes de esa fecha contaba las llamadas a la función load_dataset de la biblioteca datasets, y las descargas manuales por la interfaz web o con herramientas como wget no se contaban.

Contexto. La lista es un retrato de aquello con lo que se construye el ecosistema abierto de modelos. Junto a prompts.chat están los corpus de preentrenamiento a escala web como fineweb, fineweb-edu, dolma, RedPajama-Data-1T y Wikipedia; los conjuntos de retroalimentación humana e instrucciones hh-rlhf, oasst1, alpaca, databricks-dolly-15k, OpenOrca y medical-o1-reasoning-SFT; el banco de pruebas de matemáticas gsm8k, que el Hub etiqueta como banco de pruebas oficial; el pequeño corpus sintético TinyStories; y EasyNegative, cuyos archivos son un embedding y dos imágenes de muestra en lugar de texto. Doce de los quince repositorios se crearon antes de 2024 y ninguno se creó en 2025 o después.

Límites. Un me gusta es un marcador de una cuenta, no una medida de uso, y los dos divergen aquí tanto como en los modelos: el conjunto de datos con más me gusta registró 22.609 descargas en los últimos treinta días, mientras que gsm8k de OpenAI, cuarto por me gusta, registró 1.221.924. Como los me gusta no caducan, la antigüedad ayuda, y eso explica en parte que no aparezca nada publicado en el último año. Las cifras de descargas de conjuntos de datos se cuentan además por dirección IP dentro de una ventana de cinco minutos y no por persona, así que las redes compartidas y los trabajos en la nube no se distinguen.