AItuber-Personas-Japan
קוד פתוחDataPilotodc-by2026-03-09
המאגר כולל 195 דמויות וירטואליות ביפנית שנבנו עבור שידורי רשת חיים. כל רשומה מספקת מסמך אפיון מלא, פרומפט מערכת מוכן להרצה ועשרה נושאי שיחה מותאמים אישית.
- 149הורדות בחודש
- 31לייקים
מה זה
הנתונים נוצרו בצורה סינתטית במרץ 2026 באמצעות מודל השפה Kimi K2.5 של חברת Moonshot AI וצינור העבודה הייעודי SDG-LOOM. היוצרים שילבו פרמטרים מוגדרים מראש של ז'אנר, סגנון דיבור, אישיות, גיל, מגדר ומוטיב חזותי, והזינו אותם כנקודות מוצא למודל בטמפרטורה גבוהה של 0.95.
כל שורה בקובץ מציגה דמות שלמה בשלושה חלקים עיקריים. החלק הראשון הוא מסמך קונספט במרקडाउन שמפרט רקע, אופי ודרישות חזותיות, החלק השני הוא פרומפט מערכת שכולל הנחיות תגובה, דוגמאות שיחה ומגבלות בטיחות, והחלק השלישי הוא רשימה של עשרה נושאים לשידורי לייב בפורמט ג'ייסון מקונן.
בנוסף לתוכן הדמות, כל רשומה כוללת בדיקת איכות עם שדות שמציינים האם התוצר תקין והערות על תהליך הבדיקה. אין במאגר חלוקה לתיקיות אימון ומבחן, אלא קובץ יחיד שמכיל את כלל הישויות שנוצרו.
מתאים ל
- הזנת פרומפטים לסוכנים
שימוש ישיר בפרומפטים המוכנים כדי להפעיל דמויות וירטואליות בעלות אופי מוגדר וסגנון שיחה ייחודי ביפנית.
- כוונון עדין למשחקי תפקידים
אימון של מודלי שיחה לשמירה על זהות עקבית, סלנג ספציפי וגבולות תגובה מוגדרים מראש בשיחות ארוכות.
- יצירת רעיונות לשידורי רשת
שאיבת השראה מתוך רשימות הנושאים המובנות כדי לייצר שיחות ספונטניות למשדרים אוטומטיים ברשתות וידאו.
איפה זה נופל
זהו מאגר סינתטי קטן של פחות מאלף דוגמאות, כך שהוא לא מתאים לאימון מודלים מאפס אלא בעיקר לכוונון עדין צר או כבסיס לפרומפטים. המאגר כולו כתוב ביפנית בלבד ואין בו מילה אחת בעברית או באנגלית, כך שלמוצרים מקומיים אין לו שימוש ישיר ללא תרגום והתאמה תרבותית.
התוכן נשען כולו על עולם המושגים של תרבות הסטרימינג והאנימה היפנית, כולל סלנג וניבים מקומיים. מכיוון שהנתונים יוצרו על ידי מודל שפה ולא נכתבו בידי יוצרי תוכן אנושיים, קיים סיכון לחזרתיות בסגנון הניסוח, וחובה לבדוק ידנית את עקביות הדמויות לפני שמשלבים אותן במוצר שפונה למשתמשים אמיתיים.
שאלות
נפוצות
האם מותר להשתמש במאגר לפיתוח מסחרי?
הרישיון הוא ODC-By, והוא מאפשר שימוש מסחרי מלא כולל אימון מודלים או שילוב ישיר במערכות מסחריות. הדרישה היחידה היא מתן קרדיט ברור ליוצר המאגר לפי דרישות הרישיון.
האם יש במאגר תוכן בעברית?
כל הנתונים במאגר כתובים ביפנית בלבד. אין בו ייצוג לשפה העברית וגם לא תרגום לאנגלית, שכן הוא פותח במיוחד עבור סצנת הסטרימרים הווירטואליים ביפן.
כמה רשומות יש בדאטהסט ואיך הוא נאסף?
המאגר כולל 195 רשומות בלבד. הן לא נאספו מרשתות חברתיות אלא נוצרו באופן סינתטי לחלוטין על ידי מודל Kimi K2.5 מבית Moonshot AI באמצעות מערכת פרומפטים מובנית.
למה המאגר קטן כל כך?
הדאטהסט אינו מיועד לאימון כללי של מודלי שפה, אלא משמש כמקבץ דוגמאות איכותי לפיתוח דמויות וירטואליות. הוא מתמקד באיכות הפרומפטים ובמבנה שלהם ולא בכמות גדולה של טקסט חופשי.
איך טוענים
הקובץ המרכזי יושב בפורמט JSONL פשוט בשם aituber_personas.jsonl ואין צורך לבקש אישור גישה מיוחד כדי להוריד אותו. המאגר קל מאוד ומכיל 195 שורות בלבד, כך שטעינה בספריית datasets או קריאה ישירה בפייתון אורכת שניות בודדות.
כשמעבדים את הנתונים, צריך לשים לב שדה הנושאים thema מגיע כמחרוזת טקסט שמקודדת מערך JSON, ולכן חובה להריץ עליו פענוח נוסף בקוד. לפני השימוש יש לסנן את השדה is_valid ולהשאיר רק רשומות שמסומנות כערך true, כדי להימנע מדמויות שלא עמדו בסף הבדיקה של היוצרים.
from datasets import load_dataset
ds = load_dataset("DataPilot/AItuber-Personas-Japan")הרישיון
המאגר מופץ תחת רישיון קוד פתוח מסוג ODC-By. מותר להשתמש בנתונים למטרות מסחריות, לשנות אותם ולשלב אותם במודלים או במערכות אחרות, כל עוד נותנים קרדיט מתאים ליוצרים המקוריים לפי תנאי הרישיון. הרישיון לא דורש שיתוף תחת אותם תנאים, ולכן פיתוחים ומודלים שאומנו עליו לא חייבים להיפתח לציבור באותו האופן.