LLMデータセット

1.3億問の小学から大学中国語試験問題テキストデータ、K12試験データ総量2,087万問（うち解説付き1,600万問）、大学及び職業試験データ総量1.17億問（うち解説付き700万問）；K12試験データはデータ品質レベル、試験ポイント、内容タイプ、問題形式、学段、問題難易度、学年、科目、試験ソース、解答、解説などのフィールドを含む；大学及び職業試験データは解答、解説、カテゴリなどのフィールドを含む；K12試験データの学段は小学、初中、高中で、科目は国語、数学、英語、歴史、地理、政治、生物、物理、化学、科学を含む；大学及び職業試験データの領域は公安、公務員試験、医学、外国語、学歴、工学、教育、法律、経済、職業、コンピュータ、資格、金融など；問題形式は多肢選択問題、単一選択問題、正誤問題、空欄補充問題など；このデータは大規模モデルの学科知識強化タスクに使用可能。

韓国語試験問題の構造化解析処理データ、試験問題総数は約150万問。各問題は問題タイプ、問題文、解答、解析などのフィールドを含む。科目は【小学校】国語、数学、英語、社会、科学；【中学校】国語、英語、数学、科学、社会；【高校】国語、英語、数学、物理、化学、生物、歴史、地理を含む。問題タイプは選択問題、空欄補充問題、正誤問題、記述問題など。このデータは大規模モデルの学科知識強化タスクに利用可能。

英語動物医療データ、多種の動物の医療検査結果、治療詳細、処方、アレルギーテスト、ワクチン接種履歴などを含み、さまざまな人工知能アプリケーションに豊富なリソースを提供します。複数のAI企業による検証により、モデルが実世界の多様性に対応するのに役立つことが確認されています。データ保護法規とプライバシー規定を厳格に遵守し、データ収集、保存、使用の過程でユーザーのプライバシーと法的権利を保護します。すべてのデータはGDPR、CCPA、PIPLに準拠しています。

本データは1998年から2023年12月までの期間にわたる1億4千万件の法律裁判文書が含まれており、各裁判文書は細かい粒度で構造化解析が行われています（データフォーマットはjsonで、フィールドには案件名、裁判所名、文書タイプ、案件タイプ、案由、当事者、裁判日、文書内容を構成する各部分などが含まれます。裁判文書の全文内容はs22からs28に解析されています）。また、詳細なデータ辞書説明ファイルも提供されています。

21,998 台の車両属性画像記述データは、セダン、SUV、MPV、トラック、バスなど、さまざまな車種をカバーしています。監視カメラを使用して、複数の期間の屋外道路のデータを収集しました。画像には、主に車種、色、車両の方向、シーンなどの情報が記述されています。記述言語は英語です。

100万組の画像と説明、画像タイプは風景、動物、花木、人物、車、スポーツ、工業、建築など多種のカテゴリと美学サブセットを含み、画像全体のシーン、シーン内の詳細、および画像が表現する感情を説明します。説明言語は英語と中国語の2言語です。

10,000枚のシーンの画像記述データには、自然風景、都市の街頭風景、展示会、家庭環境などのシーンが含まれます。さまざまなブランドのカメラで撮影され、複数の時期と撮影角度をカバーしています。記述言語は英語です。主に画像の主なシーンを記述し、通常は前景と背景の記述が含まれます。

10,100枚の顔画像記述データには、18歳未満、18～45歳、46～60歳、60歳以上の複数の多人種が含まれています。収集シーンは豊富で、室内と屋外のシーンが含まれています。画像コンテンツは豊富で、マスク、メガネ、ヘッドフォンの着用、表情、姿勢、敵対サンプルが含まれています。テキスト記述言語は英語で、主に人種、性別、年齢、撮影角度、照明、多様性の内容が記述されています。

11,000セットの人間行動画像およびビデオ記述データには 10,000 枚の画像と 10,000 本のビデオが含まれており、屋内や屋外のシーンを含むさまざまな季節や撮影角度でのさまざまな人間行動を捉えています。記述言語は英語で、主にキャラクターの性別、年齢、服装、行動説明、体の動きなどを記述します。