Наборы данных для ИИ с наибольшим числом лайков на Hugging Face 2026

Что показывает этот график. Пятнадцать репозиториев наборов данных с наибольшим числом лайков на Hugging Face, прочитанные 21 сентября 2026 года в 08:19 UTC. Лидер вовсе не является обучающим корпусом: prompts.chat, весь репозиторий которого это один CSV-файл с текстами запросов под лицензией CC0, набрал 9 839 лайков, в 2,93 раза больше, чем 3 357 у веб-корпуса fineweb. Третий это hh-rlhf от Anthropic с 2 091. Вместе пятнадцать наборов держат 30 995 лайков.

Как собраны данные. Лайки работают для наборов данных так же, как для моделей: один вошедший аккаунт, один репозиторий и публичный счетчик в поле likes API, а список это сортировка самого Hub по этому полю. Загрузки наборов данных, которые приводятся ниже для сравнения, считаются иначе, чем загрузки моделей. С сентября 2024 года Hub считает все файлы, которые пользователь скачивает из одного репозитория в течение пятиминутного окна и которые определяются по его IP-адресу, одной загрузкой, подсчитанной на сервере при отдаче файлов. До этой даты он считал вызовы функции load_dataset из библиотеки datasets, а ручные загрузки через веб-интерфейс или с помощью инструментов вроде wget вообще не учитывались.

Контекст. Список это портрет того, из чего собран открытый стек обучения моделей. Рядом с prompts.chat стоят корпуса предобучения веб-масштаба fineweb, fineweb-edu, dolma, RedPajama-Data-1T и Wikipedia; наборы с обратной связью от людей и инструкциями hh-rlhf, oasst1, alpaca, databricks-dolly-15k, OpenOrca и medical-o1-reasoning-SFT; математический бенчмарк gsm8k, который Hub помечает как официальный бенчмарк; небольшой синтетический корпус TinyStories; и EasyNegative, файлы которого представляют собой эмбеддинг и два образца изображений, а не текст. Двенадцать из пятнадцати репозиториев созданы до 2024 года, и ни один не создан в 2025 году или позже.

Ограничения. Лайк это закладка одного аккаунта, а не мера использования, и здесь они расходятся так же сильно, как у моделей: у набора с наибольшим числом лайков 22 609 загрузки за последние тридцать дней, тогда как у gsm8k от OpenAI, четвертого по лайкам, их 1 221 924. Поскольку лайки не сгорают, возраст помогает, и отчасти поэтому в списке нет ничего опубликованного за последний год. Загрузки наборов данных к тому же считаются по IP-адресу внутри пятиминутного окна, а не по людям, так что общие сети и облачные задачи не разделяются.