zh-meme-sft-8kは、中国のインターネットミーム文化に関する指導用ファインチューニングデータセットであり、主に、流行のインターネットミームを理解し活用するための対話モデルのトレーニングに使用されます。このデータセットは、Douyin、Xiaohongshu、Bilibiliなどのソーシャルメディアプラットフォームにおけるコメントのやり取りから構築されており、複数回のクリーニングと強化を経ています。その特徴としては、本格的な対話構造、複数回のクリーニング後も高品質な流行ミームが保持されていること、ChatML形式による標準化などが挙げられます。 データセットの構成:

• トレーニングセット：7,377サンプル、うちTP3Tは851サンプル
• 検証セット：868サンプル、うち101サンプルはTP3T
• テストセット：435サンプル（TP3Tの51%を占める）

対話階層の分布：

• レベル1の会話（投稿 - コメント）：約401 TP 3T
• レベル2の対話（コメント・返信）：約601 TP3T

引用

@misc{zh-meme-sft-8k、 著者 = {GaryYang123}、 タイトル = {zh-meme-sft-8k: 中国のインターネットミームSFTデータセット}、 年 = {2026}、 発行者 = {ハギングフェイス}、 url = {https://huggingface.co/datasets/GaryYang123/zh-meme-sft-8k} }