Jagle 是一个约 920 万实例的日本多模态后训练数据集,构建自图像–文本对和 PDF 文本,用于训练 LLM‑jp‑4‑VL 9B beta,并已被证明能提升日语视觉语言任务性能。
其他语言的说明
统计
统计数据截至 2026年11月16日
Hugging Face 下载数(近 30 天)
168
Hugging Face 点赞数
17
收录日
2026年5月20日
下载数(近 30 天)变化
以表格显示
| 月份 | 下载(30天) |
|---|---|
| 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 |
各月最后一次快照时的近 30 天下载数。
同分类的热门资源
- vntl-leaderboardlmg-anon857一个排行榜,按语义准确度对大型语言模型进行排名,用于将日文视觉小说翻译成英文。该排行榜使用256个样本的余弦相似度,并报告 chrF 分数,以与 Sugoi Translator、Google Translate、Naver Papago 和 Alibaba Translate 等工具进行比较。
- DEJIMA-datasetMIL-UT359DEJIMA 是一个大规模的日语图像数据集,包含 388 万个图像-标题对和 388 万个图像-问题-答案对,通过严格过滤、去重、检测驱动证据提取以及基于 LLM 的在 grounding 约束下生成标题/视觉问答,并为每项任务提供多种精心策划的变体。
- ClimbLab-JaKantaHayashiAI15kClimbLab‑Ja 是一个300 亿标记的日语语料库,从 LLM‑jp Corpus v4 过滤而来,分为20个簇用于预训练语言模型,以 ODC‑BY 许可证发布,保留原始来源许可,并以 parquet 格式存储。
- llm-course-final-2026bumbuboon13k基于日语维基百科的LLM课程期末竞赛RAG数据集,包含约100万文本块和搜索索引。
- Cauldron-JAturing-motors7kCauldron‑JA 是一个日语视觉‑语言数据集,包含 44 个子数据集,使用 DeepL API 从 The Cauldron 翻译而来,可通过 HuggingFace’s datasets library 获取,并与原始数据集使用相同的许可证,prompts 在 CC‑BY‑4.0 下发布。
- Galgame-VisualNovel-Reuploadjoujiboi5k为高效加载 Hugging Face datasets,重新结构化并重新上传 Galgame VisualNovel 数据集(OOPPEENN/5669737465666C656E63655F44617461337072657330),保留所有原始 audio/text,并提供带多种 game-subset 选项的 extraction script。
研究领域相近的资源
- STAIR-Captionsshunk0312kSTAIR‑Captions,发布于2017年,提供820,310条日语字幕,用于字幕生成、多模态检索和图像生成,并配有详细注释、元数据以及Creative Commons BY‑4.0 license。共同: 标注与数据集构建
- AnswerCarefullyllm-jp644AnswerCarefully Dataset提供日语和多语种数据,用于商业或非商业LLM安全增强,禁止任何其他用途——包括安全规避——允许带署名的衍生作品,并声明不承担因伤害或服务变更导致的责任。共同: 标注与数据集构建
- JGLUEllm-book546用于《大型语言模型简介》一书的 JGLUE 数据集数据卡,来源于原始仓库,代码采用 CC BY‑SA 4.0 许可证,数据按发行者的许可协议,引用 Kurihara & Kawahara(日本语),并基于 Shunsuke Kitada 的仓库构建。共同: 标注与数据集构建
- scaling-data-constrained-llmsllm-jp402包含日语和英语网络语料库的集合——包括一个 9 B‑token 日语集(JA‑WEB‑9B)、63 B‑token 英语和日语集(EN‑WEB‑63B、JA‑WEB‑63B)以及合成版本,如改写版 JA‑PARAPHRASE‑63B、指令式 JA‑INSTRUCT‑63B 和翻译版 JA‑TRANSLATE‑63B——用于在数据受限环境下研究日语 LLM 预训练的数据增强。共同: 标注与数据集构建
- kaken-trans-ja-enhpprc358来自 llm-jp-corpus-v3 的 kaken 子集的日文文本,使用 Qwen/Qwen2.5‑32B‑Instruct 翻译成英文,并以 CC‑BY 4.0 许可发布为开放的日英平行语料库,该许可继承了原始数据集的条款。共同: 标注与数据集构建
llm-jp-corpusllm-jp49该存储库包含用于重现LLM-jp语料库的脚本。GitHub共同: 标注与数据集构建