datasets
Training and evaluation data, with the modality, task and licence stated up front. Listed live from the Hugging Face Hub.
KoWoW
Dataset Card for KoWoW
Dataset Summary
WoW(Wiard of Wikipedia)를 한국어로 변역한 데이터입니다.
Dataset Description
WoW(Wiard of Wikipedia)라는 지식 기반 대화 데이터를 한국어로 변역한 데이터입니다.한 대화에 여러 개의 dialog가 묶음으로 구성되어 있으며, 전체 대화는 22,311건, 전체 dialog는 201,999개 입니다.본 데이터셋은 Knowledge와 Utterance가 모두 한국어인 ko 버전만 가져온 데이터입니다.
Language(s) (NLP): ko
License: mit
Dataset Sources
Repository: https://github.com/AIRC-KETI/kowow/tree/master
Uses
Source Data… See the full description on the dataset page: https://huggingface.co/datasets/didi0di/KoWoW.DiDPO-SFT-Data
DiDPO-SFT-Data
Multi-turn SFT trajectories for code-editing agents (APPS / CodeRL+), for verl multiturn SFT.
Protocol
Granularity: episode (one row = full trajectory)
Layout: react_chat — turn-1 user is full initial prompt; later user turns are observation-only
Actions: <execute_bash>, <edit>, <finish> (ReAct · exec · think OFF)
Filter: won only, 3023 unique episodes (dedup by instance_id)
Stats
Split
Episodes
train
2872
val
151… See the full description on the dataset page: https://huggingface.co/datasets/xuc865/DiDPO-SFT-Data.KoChatGPT
Dataset Summary
1.2.1) 한국어 QA 데이터셋의 질문으로 답변 자동 생성(ChatGPT): 12,000개
SFT 데이터: data/train
다음 단어만 잘 생성하는 모델에서 질문에 '잘' 대답하는 모델 만들기
Human labling이 필요하지만 ChatGPT 이용
질문을 입력으로 주고 ChatGPT로 답변 자동생성
데이터셋 예시
{
"prompt": "술 먹고 싶어",
"completion": "'술은 알코올이 함유된 음료수이며, 건강에 나쁜 영향을 미칠 수 있습니다. 따라서 술을 마시기 전에 본인의 건강 상태와 함께 적당한 양을 마시는 것이 중요합니다. 술을 마시기 전에 반드시 20세 이상인지 확인하시고, 규정된 양 이내에서 적절하게 즐기시길 바랍니다. 또한 술을 마시고 운전하는 것은 절대 금지하시기 바랍니다.",
"tokens": 189
}
1.2.2)… See the full description on the dataset page: https://huggingface.co/datasets/didi0di/KoChatGPT.finance-legal-mrc_merged-table
데이터셋 설명
shchoice/finance-legal-mrc 데이터 중 병합된 테이블만 추출한 뒤 이미지와 함께 저장한 데이터입니다.
did-not-survive-v2
Did-Not-Survive v2
Falsification-first reasoning data. Each row teaches a model to investigate a claim,
report findings with an explicit epistemic grade on each sub-claim — REAL /
CONTESTED / MIRAGE / SPECULATIVE — without upgrading a weak claim, and to end with
an explicit section naming what failed:
Claims that did not survive: …
This is v2: 576 rows. It is a superset of v1 — all 84 v1 rows appear verbatim in v2, plus 492 additional rows.
v2 supersedes v1. v1 is retained… See the full description on the dataset page: https://huggingface.co/datasets/CatQualia/did-not-survive-v2.finance-legal-mrc-chat-template
📊 Finance-Legal-MRC Chat Template
이 데이터셋은 문서 내 표 이미지와 문맥 정보를 기반으로, LLM이 description, title, summary, key_entities를 생성하도록 학습하기 위해 구성된 Chat Template 형식의 Instruction Dataset입니다.질문은 user가 주고, 정형화된 답변은 assistant가 응답하는 구조이며, 일부 메시지에는 표 이미지(image_url)가 포함됩니다.
📁 Dataset Overview
데이터 수: 1,197개 (train/test 8:2 split)
언어: Korean (한국어)
형식: OpenAI/ChatGPT-style messages 구조
입력 정보: 문맥(context) + 표 이미지(image_url)
출력 목표:
description: 자연어로 푼 설명
title: 표를 대표하는 제목
summary: 주요 요약… See the full description on the dataset page: https://huggingface.co/datasets/didi0di/finance-legal-mrc-chat-template.did-not-survive-v1
Did-Not-Survive v1
Falsification-first reasoning data. Each row teaches a model to investigate a claim,
report findings with an explicit epistemic grade on each sub-claim — REAL /
CONTESTED / MIRAGE / SPECULATIVE — without upgrading a weak claim, and to end with
an explicit section naming what failed:
Claims that did not survive: …
This is v1: 84 hand-built graded analyses.
Measured composition
metric
value
command
rows
84
wc -l <… See the full description on the dataset page: https://huggingface.co/datasets/CatQualia/did-not-survive-v1.DIDIfinance-legal-mrc-with-images
🧾 finance-legal-mrc-with-images (tableqa/test)
Multimodal-ready table image dataset designed for TIG (Table Information Generation) inputTIG 입력 전용 테이블 이미지 데이터셋 (VLM 활용 가능)
📦 Dataset Overview | 데이터셋 개요
Feature
Description (EN)
설명 (KR)
🧩 Split
tableqa / test
tableqa / test 스플릿
📄 Total Rows
1,197 (unique tables only)
총 1,197건 (중복 제거된 고유 테이블 기준)
🖼️ Image Format
PNG (rendered from raw HTML tables)
원본 HTML 테이블을 PNG 이미지로 렌더링
🔗 Source
Derived from… See the full description on the dataset page: https://huggingface.co/datasets/didi0di/finance-legal-mrc-with-images.klue-mrc-ko-rag-cot
데이터셋 설명
iamjoon/klue-mrc-ko-rag-dataset을 활용해 답변을 생성하는 과정을 CoT로 보강한 데이터셋입니다.
검색된 문서 수가 3개인 경우와 5개인 경우를 나눠서 데이터셋을 구성하였습니다.
데이터셋 구조
question: 사용자의 질문
search_result: 검색 결과
최소 1개~최대 5개까지 다양하게 구성.
answer: 사용자의 질문과 검색 결과를 바탕으로 답변합니다.
extracted_ref_numbers: 검색 결과 중 실제 정답으로 사용된 문서의 번호
최소 0개~최대 5개까지 다양하게 구성.
llm_result : 위 데이터를 활용해 LLM으로 생성한 답변.
구체적으로는 질문에 대해 검색된 문서들을 참고해 적절한 답변을 'answer' 블록에 생성하고, 그 과정을 추론하게 한 결과를 'reasoning' 블록에 작성, 최종적으로 답변 생성에 참고한 문서의 번호를 'doc_num'에 작성하도록… See the full description on the dataset page: https://huggingface.co/datasets/didi0di/klue-mrc-ko-rag-cot.