LLMデータセット

日本 OKWAVE Q&Aプラットフォームのテキスト解析・処理データ。質問、回答、カテゴリ、作成日時、ユーザーなどを含む。データは継続的に更新される。4月25日時点で質問数840万件、単語数23億語。回答2,700万件・76億語；感謝（質問者から回答者への謝意）1,550万件・17億語；補足説明210万件・3億6,000万語。本データセットはLLMトレーニングやChatGPTなどのタスクに活用可能。

10万対の中国語複雑なprompt指示、文字数は50～400字、各promptには3つ以上の制約条件を含み、大規模モデルの指示追従性を向上させるためのトレーニングに使用。カテゴリカバレッジは生成類（ニュース記事作成、インタビューアウトライン、コピーライティング、原稿校正、中英作文、文法学習、研究レポート、学習計画、詩創作、美食紹介、広告ソフト文、セールストーク、公文書補助作成、公文書審査、政策文書QAなど）、リライト類（文書き換え、テキスト校正、文結合、文案簡略化）、要約類（内容要約）、抽出類（イベント要素抽出、意見抽出、キーワード抽出、立場抽出、エンティティ抽出）。全てのpromptは手動で作成され、多様性をカバー。

なぞなぞ・クイズ（急转弯を含む）データは、合計で10万件余りのなぞなぞデータと3000件余りのクイズ（急转弯）データを含んでおり、大規模モデルのトレーニングや携帯電話アシスタントなど、複数のアプリケーションシーンで利用可能です。

70万件の画像と説明文から構成される。画像タイプは風景、動物、植物、人物、自動車、スポーツ、工業、建築等多岐にわたるカテゴリと美的サブセットを含まれる。各画像には少なくとも2つの説明文を付いてある（一部画像は1つのみ）。説明言語は英語と中国語である。

700万本のグローバル正版高品質ビデオ。全てグローバル写真家が公開した正版ビデオ作品。うち600万本は英語説明、100万本は中国語説明。人物、風景、動物など多種のカテゴリをカバー。解像度は全て1080p以上。

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。

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。

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。

10,000枚のジェスチャー画像記述データは、主に若者と中年の人々を対象として、室内シーンと屋外シーンで収集され、収集環境、季節、角度が多様であります、記述言語は英語で、主に手の動き、ジェスチャー、画像取得角度、性別、年齢などの手の特徴を記述します。