ikedachin/imabari_wiki_qa_v4

Imabari Wiki QA v4 SFT Dataset

English

Dataset Summary

This is a Japanese question-answering dataset for supervised fine-tuning based on local knowledge about Imabari City, Ehime Prefecture, and related regional topics. It was derived from ikedachin/imabari_wiki_cpt_v3, with QA examples synthetically generated by Qwen3.8-27B-NVFP4.

The dataset contains 8,319 records. Records were shuffled with seed 42 and split approximately 9:1:

Split	Examples	Ratio
train	7,488	90.01%
validation	831	9.99%
total	8,319	100%

Each record includes a question, generated reasoning trace, answer, evaluation score, generator model name, and a Chat SFT-ready messages field. Every record has a unique UUIDv4 in qa_id. Multiple records may share the same source id and chunk_index.

Dataset Sources

• Dataset repository: ikedachin/imabari_wiki_qa_v4
• Source dataset: ikedachin/imabari_wiki_cpt_v3
• QA generation model: Qwen3.8-27B-NVFP4

Main Characteristics

• Japanese QA data about Imabari City, Ehime Prefecture, and nearby areas
• Chat SFT-compatible messages records
• Generated reasoning traces in the thinking field
• Quality evaluation scores in the eval field
• Regionally flavored or dialect-like expressions in some answers
• A unique UUIDv4 qa_id for every QA record
• Source traceability through id and chunk_index

Dataset Structure

{
  "qa_id": "550e8400-e29b-41d4-a716-446655440000",
  "question": "Question text",
  "thinking": "Generated reasoning trace",
  "answer": "Final answer",
  "eval": "5",
  "qa_generator": "Qwen3.8-27B-NVFP4",
  "messages": [
    {"role": "user", "content": "Question text"},
    {
      "role": "assistant",
      "content": "<think>Generated reasoning trace</think>\n\nFinal answer"
    }
  ],
  "source_files": ["all.jsonl"],
  "id": "19239",
  "chunk_index": 0
}

Field	Type	Description
qa_id	string	Unique UUIDv4 for the QA record
question	string	User question
thinking	string	Generated reasoning trace
answer	string	Final assistant answer
eval	string	Quality evaluation score
qa_generator	string	Model used to generate the QA record
messages	list	Chat-style SFT messages
source_files	list[string]	Source file metadata
id	string	Source article or document ID
chunk_index	integer	Index of the source chunk

How to Use

from datasets import load_dataset

dataset = load_dataset("ikedachin/imabari_wiki_qa_v4")
print(dataset)
print(dataset["train"][0])

For Chat SFT:

sample = dataset["train"][0]
messages = sample["messages"]

Intended Uses

• Supervised fine-tuning and instruction tuning of Japanese language models
• Local-knowledge QA and regional chatbot experiments
• Chat template-based SFT, LoRA, and QLoRA training
• Evaluation of synthetic QA generation pipelines

Limitations and Risks

• This is synthetic data and may contain hallucinations or factual errors.
• Source information may be outdated.
• Generated reasoning traces are not verified evidence.
• Dialect-like expressions may not accurately represent authentic Imabari dialect.
• Models trained on this dataset may overuse regional expressions or answer uncertain questions confidently.
• This dataset should not be used as the sole source of truth for medical, legal, financial, disaster-response, administrative, or other high-stakes applications.

Inspect and re-evaluate samples before training or deploying a public-facing system. For factual applications, consider combining the model with retrieval-augmented generation and current authoritative sources.

---

今治 Wiki QA v4 SFT データセット

日本語

データセット概要

このデータセットは、愛媛県今治市およびその周辺地域に関するローカル知識をもとに作成した、日本語の教師ありファインチューニング用QAデータセットです。ikedachin/imabari_wiki_cpt_v3 を元データとし、Qwen3.8-27B-NVFP4 を使ってQAサンプルを合成しています。

総データ数は 8,319件 です。seed 42 でシャッフルし、約9:1に分割しています。

Split	データ数	割合
train	7,488	90.01%
validation	831	9.99%
合計	8,319	100%

各レコードには、質問、生成された思考過程、回答、評価スコア、QA生成モデル名、Chat SFT向けの messages が含まれます。Q&Aレコードごとに一意なUUIDv4の qa_id を付与しています。同じ元データの id と chunk_index を持つレコードが複数含まれる場合があります。

データソース

• データセットリポジトリ: ikedachin/imabari_wiki_qa_v4
• 元データセット: ikedachin/imabari_wiki_cpt_v3
• QA生成モデル: Qwen3.8-27B-NVFP4

主な特徴

• 今治市、愛媛県、その周辺地域に関する日本語QAデータ
• Chat SFT向けの messages 形式
• thinking フィールドに生成された思考過程を収録
• eval フィールドに品質評価スコアを収録
• 一部の回答に地域風・方言風の日本語表現を含む
• Q&Aレコードごとに一意なUUIDv4の qa_id を付与
• id と chunk_index による元チャンクとの対応

データ構造

フィールド	型	説明
qa_id	string	Q&Aレコード固有のUUIDv4
question	string	ユーザーの質問文
thinking	string	生成された思考過程
answer	string	アシスタントの最終回答
eval	string	QAサンプルの品質評価スコア
qa_generator	string	QA生成に使用したモデル
messages	list	Chat SFT向けの会話データ
source_files	list[string]	元ファイルのメタデータ
id	string	元記事・元文書のID
chunk_index	integer	元データにおけるチャンク番号

使い方

from datasets import load_dataset

dataset = load_dataset("ikedachin/imabari_wiki_qa_v4")
print(dataset)
print(dataset["train"][0])

Chat SFTでは messages を利用できます。

sample = dataset["train"][0]
messages = sample["messages"]

想定用途

• 日本語LLMの教師ありファインチューニング、Instruction Tuning
• 地域特化QAモデルやチャットボットの学習
• Chat templateを使ったSFT、LoRA、QLoRA
• 合成QA生成パイプラインの評価

制約とリスク

• 合成データであり、幻覚や事実誤認を含む可能性があります。
• 元データの情報が古い可能性があります。
• thinking は生成テキストであり、検証済みの根拠ではありません。
• 方言風表現は、実際の今治方言を正確に表しているとは限りません。
• 学習したモデルが地域風表現を過剰に使用したり、不確かな質問に自信を持って回答したりする可能性があります。
• 医療、法律、金融、防災、行政案内などの高リスク用途で、唯一の根拠として使用しないでください。

学習前にサンプルを確認し、公開向けシステムに使用する場合は再評価してください。事実性が重要な用途では、RAGや最新の公的情報源との併用を推奨します。

License / ライセンス

This dataset is licensed under CC BY-SA 4.0 and inherits the license conditions of the source dataset. Users must follow the attribution and share-alike requirements and verify the licenses of the original source materials before redistribution or commercial use.

このデータセットは CC BY-SA 4.0 で提供され、元データセットのライセンス条件を継承します。再配布や商用利用の前に、帰属表示、継承条件、および元資料のライセンスを確認してください。

Citation

@misc{ikedachin_imabari_wiki_cpt_v3,
  title        = {Imabari Wiki CPT v3},
  author       = {ikedachin},
  year         = {2026},
  publisher    = {Hugging Face},
  howpublished = {\url{https://huggingface.co/datasets/ikedachin/imabari_wiki_cpt_v3}},
  note         = {Source dataset. Licensed under CC BY-SA 4.0.}
}

@misc{ikedachin_imabari_wiki_qa_v4,
  title        = {Imabari Wiki QA v4 SFT Dataset},
  author       = {ikedachin},
  year         = {2026},
  publisher    = {Hugging Face},
  howpublished = {\url{https://huggingface.co/datasets/ikedachin/imabari_wiki_qa_v4}},
  note         = {Derived from ikedachin/imabari_wiki_cpt_v3. Licensed under CC BY-SA 4.0.}
}