Jagleは、画像–テキストペアとPDFコーパスから構築された約920万件のインスタンスを持つ日本語マルチモーダルポストトレーニングデータセットであり、LLM‑jp‑4‑VL 9B betaの訓練に使用され、日本語ビジョン・ランゲージタスクで性能向上が示されています。
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)
168
Hugging Face の Like 数
17
掲載日
2026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 | — |
| 2026年1月 | — |
| 2026年2月 | — |
| 2026年3月 | — |
| 2026年4月 | — |
| 2026年5月 | 978 |
| 2026年6月 | 345 |
| 2026年7月 | 331 |
| 2026年8月 | 220 |
| 2026年9月 | 243 |
| 2026年10月 | 248 |
| 2026年11月 | 168 |
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
- vntl-leaderboardlmg-anon857日本語ビジュアルノベルを英訳する際のセマンティック精度で大型言語モデルをランキングするリーダーボード。256サンプルに対してコサイン類似度を用い、Sugoi Translator、Google Translate、Naver Papago、Alibaba Translate などと比較するため chrF スコアを報告します。
- 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。
- 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。
- Cauldron-JAturing-motors7kCauldron‑JAは、DeepL APIを使ってThe Cauldronから翻訳された44個のサブデータセットからなる日本語ビジョン‑ランゲージデータセットです。HuggingFace’s datasets library を通じて入手可能で、オリジナルセットと同一のライセンスで提供され、プロンプトはCC‑BY‑4.0でリリースされています。
- Galgame-VisualNovel-Reuploadjoujiboi5kGalgame VisualNovelデータセット (OOPPEENN/566973746F6F6372656164656C65746572) の再構成された再アップロード。Hugging Face datasets の効率的な読み込みのため、すべてのオリジナル音声/テキストを保持し、複数のゲームサブセットオプションを備えた抽出スクリプトを提供します。
研究分野が近いリソース
- STAIR-Captionsshunk0312kSTAIR‑Captionsは2017年にリリースされ、キャプション生成、マルチモーダル検索、画像生成に利用できる820,310の日本語キャプションを提供します。詳細なアノテーション、メタデータ、Creative Commons BY‑4.0 ライセンス付きです。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
- kaken-trans-ja-enhpprc358日本語テキストは llm-jp-corpus-v3 の kaken サブセットから抽出され、Qwen/Qwen2.5-32B-Instruct で英訳されました。このデータは CC‑BY 4.0 ライセンスの下で公開され、元のデータセットの条件を継承しています。共通: アノテーション・データセット構築
llm-jp-corpusllm-jp49このリポジトリには、LLM-jpコーパスを再現するためのスクリプトが含まれています。GitHub共通: アノテーション・データセット構築