医療データセット

医療ドメインにおけるLLMの回答品質を、実運用の評価基準で改善するためのデータセット

Benchmark | HealthBench

1

gpt-oss-20b（SFT + DPO）

16.1732.17

2

gpt-oss-20b（SFT のみ）

15.8631.86

詳細を見る

マルチターン安全性データセット

会話が長くなるほど崩れる「マルチターンでの安全性」を強化するためのデータセット

Benchmark | AnswerCarefully / SafeDialBench

AnswerCarefully

1

Gemma3-27B

11.3190.18

2

Qwen3-32B

9.5286.01

SafeDialBench

1

Gemma3-27B

15.8749.44

詳細を見る

指示追従データセット

複数・複雑な指示にも正確に従う能力を強化するためのチューニングデータ

Benchmark | M-IFEval（日本語）

1

cogito-v1-preview-qwen-32B

1.2260.73

2

shisa-v2-qwen2.5-32b

1.4458.85

詳細を見る

数学推論データセット

LLMの数学推論能力を、“最終答”ではなく“解き方（過程）”から改善するデータセット

Benchmark | AIME 2024/2025

1

AIME 2025

1043.3

2

AIME 2024

1036.7

詳細を見る

安全性データセット

LLMがより安全な回答を、品質を落とさずに行えるようにするためのデータセット

Benchmark | AnswerCarefully / SORRY-Bench

AnswerCarefully v2.2 — Acceptable Rate

1

Qwen3.5-9B-Base

13.480.2

2

Qwen3.5-27B

5.789.8

3

Qwen3.5-9B (Instruct)

3.174.7

詳細を見る