llm-japanese-dataset

LLM構築用の日本語インストラクション(チャット)データセット

主に、英語で構築されたLLMモデルなどに対して、チャット(Instruction)応答タスクに関してLoRAなどでチューニングするために使用できます．

※様々な公開言語資源を利用させていただきました．関係各位にはこの場を借りて御礼申し上げます．

updates

5/15にAlpaca datasetがNCにライセンス変更されたことに対応し、安心してご利用いただけるように、データセットから当該データセットをドロップしました．v1.0.1にて、ドロップ後のデータセットをご利用いただけます．

データの詳細

データの詳細は、以下の論文を参照してください．

• 日本語: https://jxiv.jst.go.jp/index.php/jxiv/preprint/view/383
• 英語: https://arxiv.org/abs/2305.12720
• GitHub: https://github.com/masanorihirano/llm-japanese-dataset
• 最新情報: llm.msuzuki.me .

なお、Citationには、よろしければ、以下をご利用ください．

@preprint{Hirano2023-llmj,
  title={{llm-japanese-dataset v0: Construction of Japanese Chat Dataset for Large Language Models and its Methodology}},
  autor={Masanori HIRANO and Masahiro SUZUKI and Hiroki SAKAJI},
  doi={10.48550/arXiv.2305.12720},
  archivePrefix={arXiv},
  arxivId={2305.12720},
  year={2023}
}

共同研究，データ提供，各種支援，その他問い合わせは、izumi-llm@socsim.org へ．

How to use

from datasets import load_dataset
dataset = load_dataset("izumi-lab/llm-japanese-dataset", revision="main")
dataset = load_dataset("izumi-lab/llm-japanese-dataset", revision="a.b.c") # for specific version

• version 0.1.0 contains bugs
• version 0.1.1 contains 8,393,726 data (bug fixed)
• version 1.0.0 contains 9,097,388 data (added jqac, wikipedia ja typo corpus)
• version 1.0.1 contains 9,045,386 data (dropped alpaca dataset)

For more details, see: https://github.com/masanorihirano/llm-japanese-dataset

LICENSE

CC-BY-SA 4.0(For more details, see: LICENSE, NOTICE.md, NOTICE2.md)

Note

MIT License version is also available on the github release page https://github.com/masanorihirano/llm-japanese-dataset/releases

To see more latest information, please go to llm.msuzuki.me .