Jagle 是一個約 920 萬筆的日本多模態後訓練資料集,由圖像–文字配對和 PDF 文本庫構成,用於訓練 LLM‑jp‑4‑VL 9B beta,並證明能提升日語視覺-語言任務的表現。
其他語言的說明
統計
統計資料截至 2026年11月16日
Hugging Face 下載數(近 30 天)
168
Hugging Face 按讚數
17
收錄日
2026年5月20日
下載數(近 30 天)變化
以表格顯示
| 月份 | 下載(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 |
各月最後一次快照時的近 30 天下載數。
同分類的熱門資源
- vntl-leaderboardlmg-anon857一個排行榜,根據大型語言模型在將日文視覺小說翻譯成英文時的語義準確度進行排名,使用 256 個樣本的餘弦相似度並報告 chrF 分數,以便與 Sugoi Translator、Google Translate、Naver Papago 和 Alibaba Translate 等工具比較。
- DEJIMA-datasetMIL-UT359DEJIMA 是一個大規模的日本圖像資料集,包含 3.88 M 張圖片與標題對,以及 3.88 M 張圖片、問題與答案對。該資料集透過嚴格篩選、重複移除、以檢測為驅動的證據擷取以及在基礎約束下使用 LLM 的圖像說明/ VQA 產生,並為每項任務提供多個精心策劃的變體。
- ClimbLab-JaKantaHayashiAI15kClimbLab‑Ja 是一個三千億標記的日語語料庫,從 LLM‑jp Corpus v4 過濾後分成 20 個群集,用於預訓練語言模型,以 ODC‑BY 授權發佈,保留原始來源授權並以 parquet 格式存儲。
- llm-course-final-2026bumbuboon13k基於日文 Wikipedia 的 RAG 資料集,供 LLM 課程期末競賽使用,包含約 100 萬個文本片段及搜尋索引。
- Cauldron-JAturing-motors7kCauldron‑JA 是一套日本視覺‑語言資料集,包含 44 個子資料集,這些子資料集是使用 DeepL API 將 The Cauldron 翻譯而成,通過 HuggingFace’s datasets library 可取得,授權條件與原始資料集完全相同,提示(prompts)則以 CC‑BY‑4.0 授權釋出。
- Galgame-VisualNovel-Reuploadjoujiboi5k重構後重新上傳 Galgame VisualNovel 資料集 (OOPPEENN/5669736E6F76656C5F44617461736574),為了提高 Hugging Face 資料集載入效率,保留所有原始音訊 / 文字,並提供一段提取腳本,支援多種遊戲子集選項。
研究領域相近的資源
- STAIR-Captionsshunk0312kSTAIR‑Captions 在 2017 年發布,提供 820,310 條日語字幕,用於字幕生成、多模態檢索和圖像生成,並帶有詳細標註、元資料以及 Creative Commons BY‑4.0 license。共同: 標註與資料集建置
- AnswerCarefullyllm-jp644AnswerCarefully Dataset 提供日語及多語言資料,用於商業或非商業 LLM 安全增強;禁止任何其他用途——包括安全繞過;允許帶歸屬的衍生作品;並附帶創作者對損害或服務變更之非責任免責聲明。共同: 標註與資料集建置
- JGLUEllm-book546JGLUE 資料集卡片,使用於《Large Language Model Introduction》一書,來源自原始倉庫,程式碼採用 CC BY‑SA 4.0 許可,資料受發行者授權,引用 Kurihara & Kawahara(以日文)並建立於 Shunsuke Kitada 的倉庫。共同: 標註與資料集建置
- scaling-data-constrained-llmsllm-jp402一組日文與英文網路語料庫,包括 9 B‑token 日文集(JA‑WEB‑9B)、63 B‑token 英文及日文集(EN‑WEB‑63B、JA‑WEB‑63B)以及合成版本,如改寫版 JA‑PARAPHRASE‑63B、指令式 JA‑INSTRUCT‑63B 與翻譯版 JA‑TRANSLATE‑63B,供在資料受限情境下研究對日文 LLM 進行預訓練的資料增強。共同: 標註與資料集建置
- kaken-trans-ja-enhpprc358日本語テキスト(kaken サブセットの llm-jp-corpus-v3 から)を Qwen/Qwen2.5-32B-Instruct で英訳し、CC-BY 4.0 ライセンスのもとでオープンな日本語–英語パラレルコーパスとして公開。元データセットの利用規約は継承されます。共同: 標註與資料集建置
llm-jp-corpusllm-jp49此存儲庫包含重現LLM-jp語料庫的腳本。GitHub共同: 標註與資料集建置