Dataset opportunity

Tolid — LLM-annotierte Korpora: Krypto-Nachrichten, biomedizinische Patente, Beauty-Videos

Ein Datenunternehmen, das die von ihm erstellten Korpora verkauft – und weiterhin die Pipeline betreibt, die sie erstellt hat.

LLM-annotierte Korpora / WissensgraphentextTraining von Domain-LLMs, Wissensgraphen, Sentiment-Modelle🌍 Francetolid.io16. Juli 2026

Confidence

60%

Market

Annotierte Trainingsdaten, deren Labelqualität GEMESSEN und nicht behauptet wird – eine Behauptung, die fast kein konkurrierendes Korpus aufstellen kann. Verkauft mit deklarierten Mängeln und mit der Pipeline, die es produziert hat, als Service verfügbar.

Lineage

How this lead was derived

The signal-first chain, end to end: recent external signals → qualified niche → resolved data-holder → site verification → scored opportunity. Every lead is explainable.

Profile

Dataset profile

Type

LLM-annotierte Korpora / Wissensgraphen

Modality

text

Sector

KI-Trainingsdaten

Volume

2,47 Mio. Dokumente · 723k Patente · 449 Routinen

Freshness

Archiv – Pipelines neu startbar

Rarity

Hoch – die Annotation, nicht der Text

Accessibility

Sofort – BigQuery / Firestore Spiegel

Legal

Annotationen, Graphen und Metadaten sind abgeleitete Werke, die von Tolid produziert wurden und übertragbar sind. Der Quelltext der Presse ist NICHT (er gehört den Verlagen) – er ist von jeder Lieferung ausgeschlossen. BIOPORTAL – gemessen und abgerechnet (2026-07-14): 707 Ontologien werden verwendet, keine einzige. Die 13.757 Zeilen (1,6 % der Mapping-Tabelle), die aus restriktiv lizenzierten Quellen stammen – SNOMED CT, MedDRA, RxNorm, OMIM, NDDF, Read Codes, ICD, CPT – sind von jeder Lieferung AUSGESCHLOSSEN. Alles andere ist per Konstruktion offen (OBO Foundry schreibt CC-BY/CC0 für seine Mitglieder vor; MeSH ist für kommerzielle Nutzung kostenlos). CC-BY ist eine ATTRIBUTIONS-Verpflichtung, kein Copyleft: Ein ATTRIBUTIONS-HINWEIS wird mit den Daten geliefert. IMMER NOCH OFFEN: der ODbL-Status von Open Beauty Facts (Beauty-Korpus) – eine gegnerische Überprüfung widerlegte die Lesart „Produziertes Werk“, sodass die Einschränkung eher BINÄR als ein Preisnachlass sein könnte. Die vier Spalten für biometrische Inferenz (wahrgenommenes Geschlecht, Altersbereich, Emotion, Hautton) sind von jeder Lieferung ausgeschlossen.

Buyer persona

Herausgeber von Domain-LLMs und Finanz-NLP-Modellen · Pharma- und Biotech-F&E (Patentintelligenz) · Kosmetikkonzerne und Beauty-Tech · Datenanbieter, die ihren eigenen Klassifikator trainieren möchten. NICHT Hedgefonds oder Signal-Anbieter für das Krypto-Korpus – es trägt keinen Alpha, und wir sagen es.

Tolid ist ein Datenunternehmen. Es verkauft keine Abfallprodukte anderer: Es hat die Sammlungs- und LLM-Annotation-Pipelines entwickelt, die diese Korpora hervorgebracht haben, und betreibt sie weiterhin. Was angeboten wird, sind daher zwei Dinge gleichzeitig – ein Bestand an annotierten Daten und die Maschine, die sie produziert hat.

Drei Korpora stehen zur Auswahl.

1. Krypto-Nachrichten, annotiert (2.469.218 Dokumente, Okt 2023 → Sep 2025). Sentiment, Thema, Zusammenfassung und ein Kauf-/Halte-/Verkauf-Tag, auf normalisierten Tickers. Lesen Sie dies vor allem anderen: das Handelssignal hat KEINE gemessene Vorhersagekraft. Wir haben den Backtest selbst gegen reale Preise durchgeführt, auf allen 1.198.479 Signalen: Er schlägt ein Münzwerfen um 0,7 Punkte, und sein marktneutraler Alpha ist null. Der Grund liegt in den Daten – die Presse-Sentiment korreliert mit +0,60 mit VERGANGENEN Renditen und +0,07 mit zukünftigen. Sie folgt dem Preis; sie führt ihn nicht an. Wir verkaufen keinen Alpha, und dieses Korpus ist nicht für einen Trading Desk bestimmt. Was dasselbe +0,60 beweist, ist, dass die Annotation treu ist: Es ist ein LLM-gelabeltes Finanzkorpus, dessen Labelqualität gegen eine externe Ground Truth validiert wurde. Das ist es, was Sie kaufen – Trainingsdaten mit gemessener Qualität, nicht ein Signal.

2. Biomedizinische Patente, strukturiert als Wissensgraph (723.149 Dokumente). Das wertvollste Asset von den dreien, und das mit der größten offenen Frage: Die Lizenzbedingungen der BioPortal-Ontologien, an denen es sich orientiert, werden überprüft. Wir sagen es, bevor Sie fragen.

3. Prozedurale Beauty-Videos (449 Routinen, 7.656 zeitgestempelte Gesten, 21.441 Videos). Nicht „Videodaten“: eine analytische Oberfläche dessen, was Menschen tatsächlich Schritt für Schritt mit welchen Produkten tun. Zwei Einschränkungen vorab – die ODbL-Frage von Open Beauty Facts ist ungelöst und könnte binär statt als Rabatt gelten, und die vier Spalten für biometrische Inferenz (wahrgenommenes Geschlecht, Alter, Emotion, Hautton) sind von jeder Lieferung ausgeschlossen. Der prozedurale Graph behält seinen gesamten Wert ohne sie.

Was wir nicht verkaufen: den Quelltext der Artikel. Er gehört den Verlagen, nicht Tolid. Übertragbar ist das abgeleitete Werk – die Annotationen, die URLs, die Metadaten, der Graph.

Services

What the holder can also do for you

This dataset is not only a stock — its holder still operates the pipeline that produced it. Each capability below is backed by an observed fact, not a claim.

Human validation of the annotations, on demand

Tolid can run a human review pass over any corpus it has produced — full or sampled, to your own guidelines and quality bar.

EvidenceThe entire human-in-the-loop layer already exists — nine moderation tables, an escalation queue, prompt structures — and has never been run on a single document (0 of 4,841,938). The machine is built and wired; it has simply never been switched on.

A corpus built to your theme, from scratch

Give a domain and a taxonomy; Tolid runs collection, LLM annotation and graph construction end-to-end — the same pipeline that produced these corpora.

EvidenceThe pipeline is theme-driven, and there is proof: a seventh theme ("Geopolitical Tensions and Alliances") is fully configured — prompt and JSON template written — with no collection and no deployed service. A theme conceived, written, never launched. That is what "give us a subject" looks like in this codebase.

Entity resolution and normalisation

Mapping the messy surface forms of a domain onto canonical entities — the unglamorous work that decides whether a corpus is joinable with your own data.

Evidence21,359 alias → canonical-ticker mappings were built for the crypto corpus; 19,080 semantic mappings for the beauty ontology. This is the domain's price of entry, already paid.

Cleaning and extending an existing signal

Re-parsing, de-duplicating and extending a field that was produced once and never curated.

EvidenceDeclared openly: the buy/hold/sell field covers only 33.4% of the crypto rows (1,198,479 of 3,588,282 — the other 66% read `Not mentioned`) and carries parsing leaks (`buy (implied)`, `hold/sell`). Tolid can clean and extend it. We would rather sell you the fix than hide the defect.

Scoring

Scored dimensions

Explainable, evidence-based dimensions (0–100). The radar shows the investment axes.

-

See dimension details
SpecificityRarityVolumeTraining ValueBuyer DemandEvidence StrengthData Orientation

Evidence

Dataset evidence & lineage

What the typed evidence proves the company holds — reframed for clarity and set against the market.

-

Marketplace

Dataset details

Geographic coverage

Global (multilingual sources)

Time range

2023-10 → 2025-09 (crypto) · patents and beauty: see each dataset

Delivery

Secure extract download, or scoped access

Formats

parquet, csv, jsonl

License

Derived works (annotations, graphs, metadata) are transferable. Source press text is not.

Personal data

No PII

· licence· final price on request

There is no public price grid for these corpora, and we will not manufacture one. Our own valuation engine returns wide, UNANCHORED ranges — dispersion up to ×7 on the crypto asset across three identical runs — and a dedicated deep-research study (July 2026, 103 agents, 86 claims → 25 adversarially verified) confirmed WHY: for an LLM-annotated news archive sold as annotations-only, no defensible market comparable exists. The published editor↔LLM deals disclose amounts but never volumes, so no per-document price can be derived; and the closest academic comparable (Financial PhraseBank) anchors label PEDIGREE, never a number. The gap is in the market, not in our research. So we price ON REQUEST, against two things we can defend: a measured production cost (from real cloud billing) and a label quality validated against external ground truth. The biomedical-patents asset — the strongest of the three — is under its own valuation study; its price will be shown only once anchored on real dataset transactions, never on a SaaS-subscription proxy. You do not buy the bundle: each dataset is priced on its own.

Detailed schema & sample available on access request.

Want this data?

Request access — we broker a secure deal room. Operator-reviewed, no automatic sharing.

Share this opportunity

This listing was generated automatically from public signals. It is not verified, and we are not affiliated with this company.

Deal room

Tolid — Deal Room

status: open

Three LLM-annotated corpora from a data company that still operates the pipeline that produced them. Sold with the defects declared — including a backtest we ran ourselves which refutes any trading value in the crypto signal, and which is precisely what proves the annotation is faithful. Buyer access is scoped per dataset.

Coverage

Scanned sources

https://tolid.iodiscovered

Deliverable

Premium dataset report

A teaser is generated for each dataset opportunity. The full report is available on unlock.

Teaser is public · premium is locked behind access.

From the marketplace

Explore live data opportunities

Browse datasets by sector & use-case