CoolFace
Datasetpublic

summerMC/coding-excellence-ja

Coding Excellence 日本語版 Fable-5-traces のコーディング性能分布を分析し、そのパターンを日本語で強化注入したコード生成データセット。 📊 概要 項目 値 レコード数 100,000 形式 {"instruction": "...", "input": "...", "output": "..."} ファイルサイズ 714 MB (JSONL, LFS管理) 出力平均長 6,697文字 (日本語CoT + コード) 言語 日本語（指示・思考過程・コメントすべて日本語） ライセンス AGPL-3.0 🎯 特長 指示・思考過程（CoT）・コードコメント：すべて日本語で記述 コードは標準的な英語記法のまま（変数名・API・キーワード） 日本語で「考えながらコードを書く」プロセスを学習可能 Fable-5 の5因子を日本語話者向けに最適化 🧠 5つのコーディング性能因子… See the full description on the dataset page: https://huggingface.co/datasets/summerMC/coding-excellence-ja.

sourceHugging Faceagpl-3.0updated 3mo agoView on Hugging Face
0likes35downloads
Dataset Card

Coding Excellence 日本語版

Fable-5-traces のコーディング性能分布を分析し、そのパターンを日本語で強化注入したコード生成データセット。

📊 概要

項目値
レコード数100,000
形式{"instruction": "...", "input": "...", "output": "..."}
ファイルサイズ714 MB (JSONL, LFS管理)
出力平均長6,697文字 (日本語CoT + コード)
言語日本語（指示・思考過程・コメントすべて日本語）
ライセンスAGPL-3.0

🎯 特長

  • —指示・思考過程（CoT）・コードコメント：すべて日本語で記述
  • —コードは標準的な英語記法のまま（変数名・API・キーワード）
  • —日本語で「考えながらコードを書く」プロセスを学習可能
  • —Fable-5 の5因子を日本語話者向けに最適化

🧠 5つのコーディング性能因子

#因子説明
1厚いChain-of-Thought日本語で平均〜3,500文字の思考過程
2自己指示・自己対話「まず〜を考えます」「重要な気づき」等の内省
3エラー予測と回復エッジケースの想定とハンドリング
4検証と確認実装後の動作検証・品質チェック
5構造化コード出力日本語コメント・設定・logging・export

📈 コード品質指標

指標カバレッジ
日本語コメント付きコード100%
エラー処理 (try/catch/except)100%
設定管理 (env/config)100%
ロギング100%
関数/メソッド定義100%

🌐 言語分布

言語比率
Python~31%
JavaScript~25%
TypeScript~16%
HTML+CSS+JS~10%
Node.js/Express~8%
React~7%
Bash/Shell~3%
Go~2%

🚀 使い方

python
import json

# データ読み込み
with open("coding_excellence_ja.jsonl") as f:
    data = [json.loads(line) for line in f]

# Hugging Face datasets で読む
from datasets import load_dataset
ds = load_dataset("summerMC/coding-excellence-ja", split="train")

# ChatML形式でファインチューニング（日本語対応モデル用）
train_data = []
for r in ds:
    messages = [
        {"role": "user", "content": r["instruction"] + ("\n" + r["input"] if r["input"] else "")},
        {"role": "assistant", "content": r["output"]},
    ]
    train_data.append({"messages": messages})

📋 レコード例

json
{
  "instruction": "堅牢なREST APIサーバを、包括的なエラーハンドリング、入力バリデーション、設定可能な動作とともに作成してください。",
  "input": "言語: python\n要件: 設定可能な動作、堅牢なエラーハンドリング、構造化ロギング、入力バリデーション",
  "output": "この実装について慎重に考えていきます。REST APIサーバを構築するにあたり...\n\n```python\nimport os\nimport sys\nimport json\nimport logging\n...\n```"
}

🧬 Claudeレベル版（新規）

config_name: "claude" で読み込める高性能版。

項目値
ファイルcoding_excellence_ja_claude.jsonl
レコード数30,000
出力平均長11,262文字（通常版の1.7倍）
ファイルサイズ724 MB
品質水準Claude (Fable-5) レベル

通常版との違い

観点通常版Claude版
CoT長~4,000文字~7,000文字
推論段階4段階8段階（問題再定義→比較→設計→エッジケース→実装→検証→振り返り）
自己対話なしあり（「待てよ…」「ここで気づいたが…」）
アーキテクチャ簡単な設計コンポーネント図・データフロー・STRIDE分析
コード品質標準本番級：型ヒント・非同期・構造化ロギング・Resultモナド
トレードオフ分析なし複数アプローチ比較＋選択理由の明示

読み込み

python
# Claudeレベルのデータセット
ds = load_dataset("summerMC/coding-excellence-ja", "claude", split="train")
print(len(ds))  # 30000
print(ds[0]["output"][:100])  # CoT開始

ファインチューニング

python
from datasets import load_dataset

ds = load_dataset("summerMC/coding-excellence-ja", "claude", split="train")

train_data = []
for r in ds:
    messages = [
        {"role": "user", "content": r["instruction"] + "\n" + r["input"]},
        {"role": "assistant", "content": r["output"]},
    ]
    train_data.append({"messages": messages})

カスタム生成

bash
pip install numpy
python3 coding_excellence_ja_claude_generator.py --records 30000 --output my_claude.jsonl --seed 42

📝 ライセンス

AGPL-3.0

🙏 クレジット