Won-Instruct

מה זה

המאגר כולל 86,007 רשומות שנבנו מתוך יותר ממאתיים אלף דגימות מקור. החומר הגולמי נאסף מאתרים רשמיים בקוריאה כמו הבורסה המקומית, הבנק המרכזי, רשות השירותים הפיננסיים ומאגרי חקיקה וחשבונאות. הטקסטים עובדו לפורמט של שאלות רב ברירה או הוראות בעזרת GPT-4o ו־Qwen2.5-72B-Instruct, לצד מנגנון בדיקה מבוסס מודל לאימות העובדות.

הסינון כלל מחיקת כפילויות באמצעות MinHash, הוצאת שאלות תלויות זמן בעזרת ביטויים רגולריים והסרת שאלות קצרות מדי. בהמשך נוספו תשובות שנוצרו על ידי Deepseek-R1 כדי לחזק את שרשרת ההיגיון. כל רשומה כוללת את שאלת המקור, התשובה המקורית, ותשובות מקבילות שחולצו מכמה מודלים פתוחים כמו Gemma ו־Qwen.

מתאים ל

• אימון מודל פיננסי בקוריאנית

  כוונון עדין של מודלי שפה למתן תשובות על חוקי בנקאות וחשבונאות מקומיים בקוריאה.

• השוואת ביצועי מודלים

  בדיקת איכות התשובות של ארכיטקטורות שונות מול עמודות הפלט המוכנות של Gemma ו־Qwen.

• אימון מודלים להסקה מורכבת

  שימוש בתשובות שנוצרו על ידי Deepseek-R1 כדי לשפר תהליכי הסקה ופתרון בעיות שלב אחר שלב.

איפה זה נופל

המאגר כתוב כולו בקוריאנית בלבד ולכן הוא חסר תועלת לחלוטין למי שמחפש תוכן פיננסי בעברית או באנגלית. התוכן מתבסס כולו על מוסדות ורגולציה של קוריאה הדרומית ולא משקף חוקים בינלאומיים. בנוסף, חלק ניכר מהשאלות והתשובות נוצרו ועברו אימות על ידי מודלי שפה אחרים, מה שעלול לשמר הזיות או הנחות שגויות שדורשות בדיקה ידנית לפני שילוב במערכת פיננסית פעילה.

איך טוענים

טוענים את המאגר ישירות דרך ספריית datasets באמצעות הנתיב KRX-Data/Won-Instruct ללא צורך באישור גישה מוקדם. הנתונים מחולקים לשני קבצי parquet בתיקיית data. השדות המרכזיים לעבודה הם prompt עבור השאלה, original_response לתשובה המקורית, ועמודות התשובות הנוספות של מודלי Gemma ו־Qwen למי שמעוניין בהשוואות.

from datasets import load_dataset

ds = load_dataset("KRX-Data/Won-Instruct")

הרישיון

המאגר מופץ תחת רישיון MIT. הרישיון מתיר שימוש מסחרי, שינוי, הפצה ושילוב בקוד סגור ללא חובת שיתוף תחת אותו רישיון. התנאי היחיד הוא שמירת הודעת זכויות היוצרים והרישיון המקורי, כך שמותר לאמן עליו מודלים מסחריים.

• שימוש מסחרי
• שינוי הקוד
• הפצה מחדש

הרישיון המלא ב־Hugging Face ↗