osFoundry / Platform
Más de 250K datasets públicos
Explora e importa desde un cuarto de millón de datasets públicos: preindexados, listos para fine-tuning.
Qué es
El catálogo de datasets públicos de osFoundry te da acceso mediante búsqueda a más de 250 000 datasets abiertos replicados del hub público de Hugging Face Datasets, con datos de texto, imagen, audio, vídeo, tabulares y multimodales. En lugar de escribir scripts de carga o rastrear tarjetas de datasets una por una, exploras y filtras directamente dentro de tu workspace: por categoría de tarea (generación de texto, clasificación, respuesta a preguntas, reconocimiento de voz, detección de objetos y más), por idioma, por rango de tamaño y por licencia. Luego importas el que necesitas en un par de clics. Cada entrada incluye los metadatos que de verdad importan antes de comprometerte: número de filas, condiciones de licencia, etiquetas de tarea, URL de origen y una cita BibTeX generada automáticamente.
El catálogo está preindexado, y eso es lo que hace rápida la búsqueda: osFoundry cachea los metadatos de cada dataset, así que filtrar entre un cuarto de millón de entradas es instantáneo, y los datos reales se cargan desde la fuente original en el primer uso en vez de vivir en un almacén que pagas por mantener. Una vez que eliges un dataset, se encamina hacia la parte de osFoundry en la que estés trabajando. Envíalo a la página Train para hacer fine-tuning de un modelo base: osFoundry aprovisiona un servidor GPU, ejecuta el trabajo y deja el adaptador LoRA resultante listo para un hot-swap en tu flota de inferencia. Impórtalo a una base de conocimiento para que cada fila sea buscable, citable y recuperable por tus agentes. O apunta una evaluación hacia él para comparar modelos lado a lado.
Como osFoundry es bring-your-own-key y local-first, todo se mantiene honesto respecto a tus datos y tus costes: es tu workspace, tus claves y sin sobreprecio de reventa en los modelos que entrenas o ejecutas contra estos datasets. Las condiciones de licencia se muestran por dataset (permisiva, share-alike, no comercial, dominio público o personalizada), así sabes si un corpus es seguro para fine-tuning comercial antes de construir sobre él, en lugar de enterarte después.
Capacidades principales
- Busca y filtra más de 250 000 datasets públicos por tarea, idioma, tamaño y licencia sin salir de tu workspace
- Los metadatos preindexados hacen instantáneo filtrar entre un cuarto de millón de entradas; los datos se cargan desde la fuente en el primer uso
- Un clic para encaminarlo al fine-tuning: osFoundry aprovisiona un servidor GPU y deja un adaptador LoRA listo para hot-swap
- Importa cualquier dataset a una base de conocimiento para que las filas sean buscables, citables y recuperables por agentes
- Licencia, número de filas, etiquetas de tarea, URL de origen y BibTeX autogenerado, mostrados por dataset antes de comprometerte
Casos de uso
- Ingeniero de ML: filtra hasta un dataset de generación de texto con licencia CC-BY, envíalo a Train y haz fine-tuning de un modelo base en un adaptador LoRA sobre tu propio servidor GPU
- Constructor de agentes: importa un dataset de preguntas y respuestas a una base de conocimiento para que los agentes recuperen y citen ejemplos reales en tiempo de ejecución
- Investigador: apunta una evaluación a un dataset de benchmark para puntuar varios modelos lado a lado y luego pega el BibTeX autogenerado en un paper
Preguntas frecuentes
¿De dónde salen los más de 250 000 datasets?
Están replicados del catálogo público de Hugging Face Datasets. osFoundry preindexa y cachea los metadatos para que la búsqueda y el filtrado sean rápidos; los datos reales se cargan desde la fuente original en el primer uso, no se copian a un almacén que pagas por conservar.
¿Puedo usar estos datasets para fine-tuning comercial?
Depende de la licencia de cada dataset, que osFoundry muestra en cada entrada: permisiva (CC-BY, Apache-2, MIT), share-alike, no comercial, dominio público o personalizada. Los datasets permisivos y de dominio público suelen ser seguros para uso comercial con atribución; los no comerciales y los sin especificar, no. Revisa la etiqueta de licencia antes de construir sobre un corpus.
¿Qué puedo hacer realmente con un dataset una vez que lo importo?
Tres caminos principales: hacer fine-tuning de un modelo base en la página Train (osFoundry levanta un servidor GPU y deja listo un adaptador LoRA), sembrar una base de conocimiento para que los agentes busquen y citen las filas, o ejecutar una evaluación para comparar modelos contra él. Como osFoundry es BYOK y local-first, usas tus propias claves sin sobreprecio de reventa.