KO | EN

GitLite

Minimalist Open Source Repository Search Engine

gitlite — search

#developer-tools #codex #typescript #ai-agents #ai-agent #cli #claude-code #open-source #deepseek-harness #dsh-plugin #python #mcp

llm-japanese-dataset

★ 88 Open GitHub ↗

LLM構築用の日本語チャットデータセット

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# llm-japanese-dataset
LLM構築用の日本語チャットデータセット

DatasetはHugging Faceでも公開しています．

- https://huggingface.co/datasets/izumi-lab/llm-japanese-dataset
- 翻訳を抜いたバージョン(vanilla): https://huggingface.co/datasets/izumi-lab/llm-japanese-dataset-vanilla

主に，英語で構築されたLLMモデルなどに対して，チャット(Instruction)応答タスクに関してLoRAなどでチューニングするために使用できます．

## データの詳細

データの詳細は，以下の論文を参照してください．

- 日本語: [https://jxiv.jst.go.jp/index.php/jxiv/preprint/view/383](https://jxiv.jst.go.jp/index.php/jxiv/preprint/view/383)
- 英語: [https://arxiv.org/abs/2305.12720](https://arxiv.org/abs/2305.12720)
- GitHub: [https://github.com/masanorihirano/llm-japanese-dataset](https://github.com/masanorihirano/llm-japanese-dataset)
- 最新情報: [llm.msuzuki.me](https://llm.msuzuki.me).

なお，Citationには，よろしければ，以下をご利用ください．
```
@preprint{Hirano2023-llmj,
  title={{llm-japanese-dataset v0: Construction of Japanese Chat Dataset for Large Language Models and its Methodology}},
  author={Masanori HIRANO and Masahiro SUZUKI and Hiroki SAKAJI},
  doi={10.48550/arXiv.2305.12720},
  archivePrefix={arXiv},
  arxivId={2305.12720},
  year={2023}
}
```

## 問い合わせ等

- データセットの追加申し出
 - 公開できないものの，CC-BY-SAで公開するモデルへのデータ組み込むが可能なデータの提供申し出

などを歓迎します．もし，ご相談等がございましたら，下記メールアドレスまでお知らせください．

izumi-llm@socsim.org

## フォルダー構成に関して
datasetsフォルダー内に，データの生成形式ごとにフォルダーを作成します．

各フォルダー内には，以下を含める必要があります．

- `data/000000.json`: json形式のデータ．複数入れることができます．6桁の数字で，0から順に番号を振りますが，欠番は許容されます．この内容の詳細については下記で述べます
 - `README.md`: データの説明書です．作成方法や，ライセンスなどを記載してください．

それ以外については制約がありません．
## データ形式について
### json形式のデータ
 - jsonl形式ではなく，json形式とします．
 - 1ファイルのデータはおおよそ1Kを目安とします．1Kを超えるデータは，ナンバリングをして複数のJSONに分けることを推奨します．
 - jsonファイル内には，配列でDict形式で記載します．
   - 必須フィールド
     - `"instruction"`
     - `"input"`
     - `"output"`
   - 推奨フィールド
     - `"index"`: データセット内でのナンバリングを0から行います．なお，string形式にしてください．(e.g. `"1"`)
   - 準推奨フィールド
     - `"category"`: データセット内でも，カテゴリー分けしていると後で便利な場合があります．
  - 追加フィールドも許可します．

### README.mdのテンプレート
```
# {データセット名}
## 作成方法
{ここに作成方法を記述．どこかから取得したのであればその旨記載}

## ライセンス
{ここにライセンスを記載．あればURLを追加．}
```

### 組み込み可能なライセンスについて
原則として，再頒布可能なもののみを含むようにしてください．
そうでないものについては，組み込む前に要相談．

ただし，コピーレフトについては，許容しません．(作成したモデル自体もライセンス制約がついてしまうので)
また，商用不可も原則として不可

#### `datasets` に組み込み可能なライセンス
 - MIT License
 - BSD License (2-Cluse, 3-Cluse)
 - Apache License Version 2.0
 - CC-BY
 - Unlicense
 - スクレイピングにより取得したデータを加工したもの

#### `datasets-cc-by-sa` に組み込み可能なライセンス
 - CC-BY-SA
#### 組み込むか要検討なライセンス
 - 4-Clause BSD License (一般的でないため)
 
#### 組み込み不可能なライセンス
 - GNU GPL v2
 - GNU GPL v3
 - CC=BY-ND (改変不可なので含まないほうがよい)
 - CC-BY-NC (商用不可)
 - CC-BY-NC-SA (商用不可)
 - CC-BY-NC-ND (商用不可)

llm-japanese-dataset

Explore Similar Repositories

Was this content helpful?

Recent Feedback

Download README