AutoWikiQA は、Swallow-MX と LLMs(ルールベースのテンプレートを使わず)を用いて Wikipedia から自動生成された質問–回答ペアを手作業でフィルタリングし、230 万件以上の無料の日本語 QA データセットです。知識教示および検索強化生成アプリケーションをサポートします。
他の言語の説明
統計
2026年11月16日時点の統計
Hugging Face のダウンロード数(直近30日)
747
Hugging Face の Like 数
24
掲載日
2024年5月13日
ダウンロード数(直近30日)の推移
数値を表で見る
| 月 | DL(30日) |
|---|---|
| 2025年12月 | 542 |
| 2026年1月 | 157 |
| 2026年2月 | 210 |
| 2026年3月 | 115 |
| 2026年4月 | — |
| 2026年5月 | 190 |
| 2026年6月 | 163 |
| 2026年7月 | 132 |
| 2026年8月 | 168 |
| 2026年9月 | 247 |
| 2026年10月 | 230 |
| 2026年11月 | 747 |
各月の最後のスナップショットにおける、直近30日間のダウンロード数です。
同じカテゴリで人気のリソース
- JMedBenchColdog23331kJMedBenchは日本語医療・生物医学用LLMベンチマークであり、20のデータセットをMCQA、NER、STSなどを含む5つのタスクにまたがって構成しています。データセットはMedMCQA、PubMedQA、MMLUなどから取得されており、それぞれに独自のライセンスが付属しています。また、翻訳にバイアスが含まれる可能性があるため、人間によるレビューが必要であるという注意事項が記載されています。
- nri-fin-reasoningnri-ai707日本語の指示データセットで、632,636 のマルチターンサンプル(約6.35 Bトークン)と、GPT‑OSS‑120b の推論トレースが含まれ、オープンエンド、数学、執筆、MCQA タスクで、135 の金融トピックと 20 の一般トピックを網羅し、LLM の推論を金融でファインチューニングするよう設計されています。
- llm-jp-evalllm-book666『Introduction to Large‑Scale LLM II』で使用され、llm‑jp‑eval によって作成されたクロスデータセットの日本語LLM評価用のja‑vicuna‑qa‑benchmarkのデータセットカード(Apache 2.0)。
- DEJIMA-datasetMIL-UT359DEJIMAは、3.88 Mの画像–キャプションペアと3.88 Mの画像–質問–回答ペアを含むウェブ規模の日本語画像データセットです。厳格なフィルタリング、重複除去、検出駆動型証拠抽出、およびLLMベースのキャプション/ VQA(グラウンディング制約下)によって生成され、各タスク用に複数のキュレーションされたバリアントが提供されています。
- JDocQA-Reasoningricoh-ai269リコーがGENIACプロジェクトのために公開した日本語ベンチマーク「JDocQA Reasoning Bench」は、複雑なチャート・表・図を用いた1,286問の推論問題でLMMを評価し、自動化されたLLM-as‑Judgeスコアリングを使用します。
- ChouBunSakanaAI103ChouBunは、Wikipedia記事、EDINETの証券報告書、および企業文書から構築された、日本語長文コンテキストベンチマークです。抽出型QA(wiki_qa, edinet_qa)と要約型サマリー(corp_sec_qa, corp_sec_sum)の2種類のタスクを備え、THUDM/LongBench形式に標準化され、最大32768トークンのコンテキストが利用可能です。
研究分野が近いリソース
- embhpprc1k日本語および多言語のQA、NLI、パラフレーズデータセットのカタログで、各データセットの検索またはQAタスクとライセンス(Apache 2.0、CC‑BY‑SA/CC‑BY、MIT 等)を詳細に記載。共通: アノテーション・データセット構築
lawqa_jpdigital-go-jp279日本の法令に関する多肢選択式QAデータセットGitHub共通: アノテーション・データセット構築- AnswerCarefullyllm-jp644AnswerCarefully Datasetは、商業利用または非商業利用のLLM安全向上のために日本語および多言語データを提供し、他の使用(安全迂回を含む)を禁止し、帰属を伴う派生作品を許可し、害やサービス変更に対する非責任の創作者免責事項を付帯しています。共通: アノテーション・データセット構築
- JGLUEllm-book546『Large Language Model Introduction』で使われるJGLUE datasetのデータセットカード。元のリポジトリ (original repo) から取得し、コードはCC BY‑SA 4.0でライセンス、データは配布者のライセンスに基づく。Kurihara & Kawahara(日本語)を引用し、Shunsuke Kitada’s repository をベースに構築。共通: アノテーション・データセット構築
- scaling-data-constrained-llmsllm-jp402日本語と英語のウェブコーパスの集合体―9 Bトークンの日本語セット(JA‑WEB‑9B)、63 Bトークンの英語および日本語セット(EN‑WEB‑63B、JA‑WEB‑63B)や、パラフレーズされた JA‑PARAPHRASE‑63B、指示スタイルの JA‑INSTRUCT‑63B、翻訳済みの JA‑TRANSLATE‑63B などの合成バージョン―を含む。このコーパスは、データ制約環境下で日本語LLMの事前学習におけるデータ拡張を研究するために使用されます。共通: アノテーション・データセット構築
medLLM_QA_benchmarkaistairc6医療LLMのための英語、日本語、中国語の3か国語QA基準GitHub共通: アノテーション・データセット構築