Dataset opportunity
Tolid — Корпуси, анотовані LLM: криптоновини, біомедичні патенти, відео про красу
Компанія, що продає створені нею корпуси та продовжує експлуатувати конвеєр, який їх створив.
Score
84
Score (0–100) blends weighted dimensions — dataset rarity, training value, buyer demand, evidence strength and right-to-license. 70+ is deal-ready. See the scored dimensions below for the breakdown.Confidence
60%
Action
Ліцензувати
The recommended deal structure for this dataset: Acquire (full buyout), License (paid usage rights), Data Sharing Agreement (controlled access, no transfer of ownership), Partnership (co-development) or Annotation Program (labeling). Chosen from data ownership, licensing complexity and accessibility.Market
Анотовані навчальні дані, якість міток яких ВИМІРЮЄТЬСЯ, а не стверджується — твердження, яке майже жоден конкуруючий корпус не може зробити. Продається з оголошеними дефектами та з конвеєром, який його створив, доступним як послуга.
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
Корпуси, анотовані LLM / графи знань
Modality
текст
Sector
Дані для навчання ШІ
Volume
2,47 млн документів · 723 тис. патентів · 449 процедур
Freshness
Архів — конвеєри можна перезапустити
Rarity
Висока — анотація, а не текст
Accessibility
Миттєвий — дзеркала BigQuery / Firestore
Legal
Анотації, графи та метадані є похідними роботами, створеними Tolid, і є передаваними. Текст вихідних прес-релізів НЕ є таким (він належить видавцям) — він виключений з кожної поставки. BIOPORTAL — виміряно та врегульовано (2026-07-14): використовується 707 онтологій, жодна. 13 757 рядків (1,6% таблиці відображення), що походять з джерел з обмеженим ліцензуванням — SNOMED CT, MedDRA, RxNorm, OMIM, NDDF, Read Codes, ICD, CPT — ВИКЛЮЧЕНІ з кожної поставки. Все інше є відкритим за конструкцією (вимоги OBO Foundry до CC-BY/CC0 для своїх членів; MeSH є безкоштовним для комерційного використання). CC-BY — це зобов'язання щодо АТРИБУЦІЇ, а не копілефт: повідомлення про атрибуцію надсилається разом з даними. ЩЕ ВІДКРИТО: статус Open Beauty Facts ODbL (корпус краси) — ворожий огляд спростував читання "Вироблена робота", тому обмеження може виявитися БІНАРНИМ, а не знижкою. Чотири стовпці біометричних висновків (сприйнята стать, віковий діапазон, емоція, тон шкіри) виключені з будь-якої поставки.
Buyer persona
Видавці доменних LLM та фінансових моделей NLP · R&D у фармацевтиці та біотехнологіях (патентна розвідка) · косметичні групи та б'юті-технології · постачальники даних, які хочуть навчати власні класифікатори. НЕ хедж-фонди або постачальники сигналів для криптокорпусу — він не несе альфи, і ми про це повідомляємо.
Tolid — це компанія, що займається даними. Вона не перепродає чужі вичерпані дані: вона створила колекцію та конвеєри анотування LLM, які створили ці корпуси, і продовжує їх експлуатувати. Тому на пропозицію виставляються дві речі одночасно — запас анотованих даних та машина, що їх створила.
На розгляд виставлено три корпуси.
1. Криптоновини, анотовані (2 469 218 документів, жовтень 2023 → вересень 2025). Настрої, теми, резюме та тег купівлі/утримання/продажу для нормалізованих тікерів. Прочитайте це перш за все: торговий сигнал НЕ має виміряної прогнозованої сили. Ми самі провели бектест проти реальних цін на всіх 1 198 479 сигналах: він перевершує випадкове вгадування на 0,7 пункту, а його ринково-нейтральна альфа дорівнює нулю. Причина в даних — сентимент преси корелює на +0,60 з МИНУЛИМИ прибутками та на +0,07 з майбутніми. Він слідує за ціною; він не випереджає її. Ми не продаємо альфу, і цей корпус не призначений для торгової зали. Те, що той самий +0,60 доводить, це те, що анотація є достовірною: це фінансовий корпус, розмічений LLM, якість міток якого була перевірена за зовнішньою істинною базою. Ось що ви купуєте — навчальні дані з виміряною якістю, а не сигнал.
2. Біомедичні патенти, структуровані як граф знань (723 149 документів). Найцінніший актив з трьох, і той, що несе найбільше відкрите питання: умови ліцензування онтологій BioPortal, до яких він прив'язаний, перебувають на перегляді. Ми повідомляємо про це до того, як ви запитаєте.
3. Процедурне відео про красу (449 процедур, 7 656 позначених часом жестів, 21 441 відео). Не "відеодані": аналітична поверхня того, що люди фактично роблять, крок за кроком, з якими продуктами. Два обмеження, оголошені заздалегідь — питання Open Beauty Facts ODbL не вирішено і може бути бінарним, а не знижкою, і чотири стовпці біометричних висновків (сприйнята стать, вік, емоція, тон шкіри) виключені з будь-якої поставки. Процедурний граф зберігає всю свою цінність без них.
Що ми не продаємо: текст вихідної статті. Він належить видавцям, а не Tolid. Те, що є передаваним, це похідний продукт — анотації, URL-адреси, метадані, граф.
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.
Evidence — The 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.
Evidence — The 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.
Evidence — 21,359 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.
Evidence — Declared 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 ↓- Dataset Specificity88
Глибина анотації, а не сирий текст: сентимент, тема, резюме, трійки — на 2,5 млн документів, плюс граф знань з 723 тис. патентів.
How sharply the data targets a specific, hard-to-substitute domain or task. Niche, well-defined data scores higher than generic. - Dataset Rarity88
Текст рясний; анотація такої глибини та історії — ні. Медіана двигуна за трьома запусками: 85–90.
How scarce and proprietary the data is. Unique domain data scores high; openly available data lowers it. - Dataset Volume90
2 469 218 анотованих криптодокументів · 723 149 патентних документів · 449 процедурних відео про красу з 7 656 позначеними часом жестами.
Apparent scale of the data, inferred from the number of evidence hits and any explicit volume mentions. - Training Value85
Створено для навчання моделей, а не для звітності — і якість міток вимірюється, а не стверджується (див. дослідження валідності криптоданих).
How useful the data is for the target AI use-case — its fit for model training or fine-tuning. - Buyer Demand87
Медіана двигуна 85–90, коли попит зважується за платоспроможністю покупця, а не за кількістю імен.
How strongly AI builders and companies are likely to want this data, based on market signals. - Evidence Strength45
Навмисно низький: діапазон цін походить від нашого оціночного двигуна, і жоден зовнішній ринковий порівняльний показник ще не прив'язує його. Очікується два глибоких дослідження. Ми б радше показали слабкий показник, ніж впевнене число, яке ми не можемо обґрунтувати.
How solid the proof is that the company holds this data — diversity of evidence types and number of hits. - Data Orientation95
Компанія, що займається даними: конвеєри, граф та шар анотації є продуктом, а не побічним продуктом.
How actively the company invests in data, measured by its data-appetite signals (hires, products, APIs…). - Dormant Data Surplus92
Вироблено, збережено — і ніколи не монетизовано. Шар модерації ніколи не працював; криптокорпус був заморожений з 2025-09-20.
Volume and value of proprietary data this company holds BEYOND what it already monetises — the dormant surplus we can unlock. A company can sell some insights AND still sit on a far larger dormant asset.
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
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.
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
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.
Buyer persona
Видавці доменних LLM та фінансових моделей NLP · R&D у фармацевтиці та біотехнологіях (патентна розвідка) · косметичні групи та б'юті-технології · постачальники даних, які хочуть навчати власні класифікатори. НЕ хедж-фонди або постачальники сигналів для криптокорпусу — він не несе альфи, і ми про це повідомляємо.
The type of company or team most likely to buy or use this dataset — the target on the demand side.Market
Анотовані навчальні дані, якість міток яких ВИМІРЮЄТЬСЯ, а не стверджується — твердження, яке майже жоден конкуруючий корпус не може зробити. Продається з оголошеними дефектами та з конвеєром, який його створив, доступним як послуга.
A rough read on demand and price band for this data, from market signals ($ = niche, $$$ = high AI-buyer demand).Risk
Анотації, графи та метадані є похідними роботами, створеними Tolid, і є передаваними. Текст вихідних прес-релізів НЕ є таким (він належить видавцям) — він виключений з кожної поставки. BIOPORTAL — виміряно та врегульовано (2026-07-14): використовується 707 онтологій, жодна. 13 757 рядків (1,6% таблиці відображення), що походять з джерел з обмеженим ліцензуванням — SNOMED CT, MedDRA, RxNorm, OMIM, NDDF, Read Codes, ICD, CPT — ВИКЛЮЧЕНІ з кожної поставки. Все інше є відкритим за конструкцією (вимоги OBO Foundry до CC-BY/CC0 для своїх членів; MeSH є безкоштовним для комерційного використання). CC-BY — це зобов'язання щодо АТРИБУЦІЇ, а не копілефт: повідомлення про атрибуцію надсилається разом з даними. ЩЕ ВІДКРИТО: статус Open Beauty Facts ODbL (корпус краси) — ворожий огляд спростував читання "Вироблена робота", тому обмеження може виявитися БІНАРНИМ, а не знижкою. Чотири стовпці біометричних висновків (сприйнята стать, віковий діапазон, емоція, тон шкіри) виключені з будь-якої поставки.
The main legal and compliance constraints on using or transferring this data — PII/GDPR, licensing rights, regulatory limits.Action
Ліцензувати
The recommended deal structure for this dataset: Acquire (full buyout), License (paid usage rights), Data Sharing Agreement (controlled access, no transfer of ownership), Partnership (co-development) or Annotation Program (labeling). Chosen from data ownership, licensing complexity and accessibility.Coverage
Scanned sources
Deliverable
Premium dataset report
A teaser is generated for each dataset opportunity. The full report is available on unlock.
From the marketplace