日本語のアルパカ風合成データセット。mistralai/Mixtral‑8x22B‑Instruct‑v0.1 で作成され、Deepinfra を通じて洗練されたもので、「_cleaned」バージョンは言語の一貫性と関連性を検証済みです
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)
130
Hugging Face の Like 数
8
掲載日
2024年5月20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 | 215 |
| 2026年1月 | — |
| 2026年2月 | — |
| 2026年3月 | — |
| 2026年4月 | — |
| 2026年5月 | 587 |
| 2026年6月 | 103 |
| 2026年7月 | — |
| 2026年8月 | — |
| 2026年9月 | 167 |
| 2026年10月 | — |
| 2026年11月 | 130 |
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
- KakologArchivesKakologArchives74k2009年から2024年までのNicoNico Liveのコメントログ(150GB超)を集約し、転換前・転換後・リアルタイムNX‑Jikkyoのキャプチャも含む、歴史的なTV‑broadcastディスカッションを簡単に取得できるAPIを提供します。
- emilia-yodasTTS-AGI18kFate/Stay Nightのキャラクター「Emilia」の対話とロアのデータセットで、会話型言語モデルのトレーニングと評価のためにフォーマットされています。
- ClimbLab-JaKantaHayashiAI15kClimbLab‑Jaは、LLM‑jp Corpus v4からフィルタリングされた3000億トークンの日本語コーパスであり、事前学習言語モデル用に20クラスタに分割され、ODC‑BYライセンス(元のソースライセンスを保持)で公開され、parquet形式で保存されています。
- llm-course-final-2026bumbuboon13k日本語ウィキペディアベースのRAGデータセット(LLMコース最終競技用)、約100万テキストチャンクと検索インデックスを含む。
- fgo_voices_jpdeepghs10kFGOワイフのためのJP Voice‑Text Dataset:30,800件、66.4時間の日本語音声コレクション。単一ボイスアクターのキャラクターロライン(1行約7.76 秒)で、ASR/ASVのファインチューニングと評価に有用です。
- fineweb-2-edu-japanesehotchpotch8kFineWeb2 Edu Japanese は FineWeb2 からの約1億2000万の高品質教育用日本語テキスト(約893億トークン)を提供し、DeepSeek‑API クラスフィケーター(スコア ≥ 2.5)でフィルタリングし、ModernBERT‑Ja‑130M でトークナイズされ、512 トークン以下の小規模サブセットを含みます。
研究分野が近いリソース
- financial-lakehouseYoshi-Dai5k再配布、AIトレーニング、商業利用を禁止し、アクセスには手動承認が必要なゲート付き非商用派生データセット(EDINET XBRL財務データ)共通: コーパス・データセット
- Nemotron-Personas-Japannvidia5kNemotron‑Personas‑Japan は、CC BY 4.0 のオープンソースデータセットであり、高品質の合成生成された日本人ペルソナ(名前、性別、年齢、背景、婚姻状況、学歴、職業、所在地を含む)で、実際の人口統計・地理・人格分布に基づいており、確率的グラフィカルモデルと GPT‑OSS‑120B を用いて多様性を高め、バイアスを減らし、モデル崩壊を防ぎ、主権 AI の開発を支援し、商業利用をサポートするよう設計されています。共通: コーパス・データセット
- Nemotron-Personas-Finance-Japannvidia3k実際の人口統計・地理情報・人格データに基づき構築された合成日本語金融パーソナセット。Nemotron‑Personas‑Japan を拡張し、世帯収入・資産・家族構造・健康特性を追加することで、AI開発、ユーザーシミュレーション、および金融コンテキストにおけるバイアス軽減をサポートします。共通: コーパス・データセット
- japanese-anime-speech-v2joujiboi3kJapanese Anime Speech Dataset V2は、292,637件の整理済みオーディオ‑テキストペア(約397.5時間のSFW、および52.4時間のNSFWコンテンツ)を、セーフティ別に分割された128‑kbps MP3ファイルとして提供し、特に自動音声認識モデルのトレーニング用に設計されています。共通: コーパス・データセット
- mc4-jaizumi-lab2k日本語のMC4データセット (mc4-ja) のデータセットカード共通: コーパス・データセット
- RyokoAI_Syosetu711Kbotp2kSyosetu711Kは、2023年3月26日〜27日に小説家になろうからスクレイピングされた約711,700本の小説で構成される日本語データセットです。全テキストとメタデータ(タイトル、著者、NCode、あらすじ等)を提供し、教師なしテキスト生成および分類タスクに利用されます。共通: コーパス・データセット