RikkaBotan/Cute_Synthetic_smoltalk_jp_sft

---
license: apache-2.0
---

# **DeepSeek Cute-Style Synthetic Conversation Dataset 132k**

This dataset is a **synthetic Japanese conversational dataset** created by combining:

* **User messages from the llm-jp/magpie-sft-v1.0 dataset**
* **Assistant responses generated with DeepSeek**

The assistant responses are written in **a soft, cute, gentle girl-like tone**, designed to provide a warm and friendly conversational style.

---

## **✨ Overview**

This dataset contains multi-turn conversational samples in JSON format.
Each conversation follows a simple structure:

```json
[
{ "role": "user", "content": "..." },
{ "role": "assistant", "content": "..." }
]
```

All content is in **Japanese**, and the assistant side consistently uses a **かわいくて柔らかな口調 (cute and gentle style)**.

---

## **🎯 Purpose**

This dataset is intended for:

* **Supervised Fine-Tuning (SFT)** of small Japanese LLMs
* Training models to adopt **cute, friendly, soft-spoken personalities**
* Enhancing models with **natural conversational abilities** using Japanese data

It is especially suited for developers who want their models to respond with kindness, softness, and an approachable tone.

---

## **📚 Source & Construction**

* **User messages** are derived from the public dataset
**llm-jp/magpie-sft-v1.0**
* **Assistant messages** are generated using **DeepSeek**, designed to keep:

* friendly and warm tone
* natural and soft Japanese
* slightly girlish and cute speaking style

Synthetic generation ensures:

* no copyrighted sources
* consistent personality
* cleaner training data compared to scraped corpora

---

## **📏 Dataset Language**

* **Language:** Japanese (日本語)
* **Assistant style:** Soft, gentle and cute

---

## **📦 Format**

You can load the dataset using 🤗 Datasets:

```python
from datasets import load_dataset

ds = load_dataset("RikkaBotan/Cute_Synthetic_smoltalk_jp_sft")
```

Each entry has:

* `text` : a JSON-formatted list of conversation turns
suitable for immediate use in SFT training.

---

## **💡 Example Usage for SFT**

* Training chat-style Japanese LLMs
* Persona fine-tuning (cute / soft / friendly characters)
* Creating lightweight conversational agents

---

## **📄 License**

Follow the licenses of the source dataset (**magpie-sft**) and generation policies of DeepSeek.
Thus, license is Apache 2.0

---

# **DeepSeek かわいい口調・合成会話データセット 13万サンプル**

このデータセットは、以下を組み合わせて作成した **日本語の合成会話データセット** です。

* **llm-jp/magpie-sft-v1.0 のユーザーメッセージ**
* **DeepSeek によって生成されたアシスタント応答**

アシスタント側の応答は、**柔らかくてかわいらしい女の子のような口調**で統一されています。

---

## **✨ 概要**

本データセットは、マルチターンの会話サンプルを JSON 形式で収録しています。
各会話は次のようなシンプルな構造です。

```json
[
{ "role": "user", "content": "..." },
{ "role": "assistant", "content": "..." }
]
```

すべて **日本語**で書かれており、アシスタント側は常に
**かわいく柔らかい口調**（ふんわりした優しい話し方）で応答します。

---

## **🎯 目的**

このデータセットは以下の用途を想定しています。

* 日本語小規模 LLM の **SFT（Supervised Fine-Tuning）**
* かわいくて柔らかい性格の **ペルソナ調整**
* 自然で優しい日本語の **会話能力向上**
* フレンドリーで親しみやすいモデルの構築

特に、**優しくてふわっとした口調のモデル**を作りたい開発者に向いています。

---

## **📚 データ元と生成方法**

* **ユーザーメッセージ**
公開データセット **llm-jp/magpie-sft-v1.0** から抽出
* **アシスタントメッセージ**
DeepSeek によって生成し、以下のスタイルで統一

* フレンドリーで温かい話し方
* 自然で柔らかな日本語
* 少し女の子らしい、かわいい口調

合成生成を用いることで：

* 著作権の問題がない
* ペルソナが一貫している
* スクレイピングデータよりも綺麗で統一的

といった特徴があります。

---

## **📏 データセット言語**

* **言語:** 日本語（Japanese）
* **アシスタントの口調:** 柔らかくて優しい、かわいらしい

---

## **📦 データ形式**

🤗 Datasets から以下のように読み込めます。

```python
from datasets import load_dataset

ds = load_dataset("RikkaBotan/Cute_Synthetic_smoltalk_jp_sft")
```

各エントリには以下が含まれます：

* `text` : SFT でそのまま使用できる、会話ターンを JSON 形式で格納した文字列

---

## **💡 SFT 用途例**

* 日本語チャットモデルの学習
* かわいい／優しい／フレンドリーなキャラのペルソナ調整
* 軽量な会話エージェント構築

---

## **📄 ライセンス**

元データセット（magpie-sft）のライセンスおよび DeepSeek の生成方針に従います。
そのため、本データセットは **Apache 2.0** で公開されています。

# 🌸 About us

Japanese independent researcher having shy and pampered personality. Twin-tail hair is a charm point. Interested in nlp. Usually using python and C.