summerMC/coding-excellence-ja

Coding Excellence 日本語版

Fable-5-traces のコーディング性能分布を分析し、そのパターンを日本語で強化注入したコード生成データセット。

📊 概要

項目	値
レコード数	100,000
形式	{"instruction": "...", "input": "...", "output": "..."}
ファイルサイズ	714 MB (JSONL, LFS管理)
出力平均長	6,697文字 (日本語CoT + コード)
言語	日本語（指示・思考過程・コメントすべて日本語）
ライセンス	AGPL-3.0

🎯 特長

• 指示・思考過程（CoT）・コードコメント：すべて日本語で記述
• コードは標準的な英語記法のまま（変数名・API・キーワード）
• 日本語で「考えながらコードを書く」プロセスを学習可能
• Fable-5 の5因子を日本語話者向けに最適化

🧠 5つのコーディング性能因子

#	因子	説明
1	厚いChain-of-Thought	日本語で平均〜3,500文字の思考過程
2	自己指示・自己対話	「まず〜を考えます」「重要な気づき」等の内省
3	エラー予測と回復	エッジケースの想定とハンドリング
4	検証と確認	実装後の動作検証・品質チェック
5	構造化コード出力	日本語コメント・設定・logging・export

📈 コード品質指標

指標	カバレッジ
日本語コメント付きコード	100%
エラー処理 (try/catch/except)	100%
設定管理 (env/config)	100%
ロギング	100%
関数/メソッド定義	100%

🌐 言語分布

言語	比率
Python	~31%
JavaScript	~25%
TypeScript	~16%
HTML+CSS+JS	~10%
Node.js/Express	~8%
React	~7%
Bash/Shell	~3%
Go	~2%

🚀 使い方

import json

# データ読み込み
with open("coding_excellence_ja.jsonl") as f:
    data = [json.loads(line) for line in f]

# Hugging Face datasets で読む
from datasets import load_dataset
ds = load_dataset("summerMC/coding-excellence-ja", split="train")

# ChatML形式でファインチューニング（日本語対応モデル用）
train_data = []
for r in ds:
    messages = [
        {"role": "user", "content": r["instruction"] + ("\n" + r["input"] if r["input"] else "")},
        {"role": "assistant", "content": r["output"]},
    ]
    train_data.append({"messages": messages})

📋 レコード例

{
  "instruction": "堅牢なREST APIサーバを、包括的なエラーハンドリング、入力バリデーション、設定可能な動作とともに作成してください。",
  "input": "言語: python\n要件: 設定可能な動作、堅牢なエラーハンドリング、構造化ロギング、入力バリデーション",
  "output": "この実装について慎重に考えていきます。REST APIサーバを構築するにあたり...\n\n```python\nimport os\nimport sys\nimport json\nimport logging\n...\n```"
}

---

🧬 Claudeレベル版（新規）

config_name: "claude" で読み込める高性能版。

項目	値
ファイル	coding_excellence_ja_claude.jsonl
レコード数	30,000
出力平均長	11,262文字（通常版の1.7倍）
ファイルサイズ	724 MB
品質水準	Claude (Fable-5) レベル

通常版との違い

観点	通常版	Claude版
CoT長	~4,000文字	~7,000文字
推論段階	4段階	8段階（問題再定義→比較→設計→エッジケース→実装→検証→振り返り）
自己対話	なし	あり（「待てよ…」「ここで気づいたが…」）
アーキテクチャ	簡単な設計	コンポーネント図・データフロー・STRIDE分析
コード品質	標準	本番級：型ヒント・非同期・構造化ロギング・Resultモナド
トレードオフ分析	なし	複数アプローチ比較＋選択理由の明示

読み込み

# Claudeレベルのデータセット
ds = load_dataset("summerMC/coding-excellence-ja", "claude", split="train")
print(len(ds))  # 30000
print(ds[0]["output"][:100])  # CoT開始

ファインチューニング

from datasets import load_dataset

ds = load_dataset("summerMC/coding-excellence-ja", "claude", split="train")

train_data = []
for r in ds:
    messages = [
        {"role": "user", "content": r["instruction"] + "\n" + r["input"]},
        {"role": "assistant", "content": r["output"]},
    ]
    train_data.append({"messages": messages})

カスタム生成

pip install numpy
python3 coding_excellence_ja_claude_generator.py --records 30000 --output my_claude.jsonl --seed 42

📝 ライセンス

AGPL-3.0

🙏 クレジット

• Glint-Research/Fable-5-traces - 元データセット
• summerMC - 分布解析・日本語化・合成生成