LLMデータセット

3億枚の画像、各画像に対応する1つの説明。全て写真家が公開した正版画像作品。大部分は英語説明、ごく一部は中国語説明。

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。

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。

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。

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。

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。

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。

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。