フューチャー、ソフトウェア開発に関する世界最大規模の日本語インストラクションチューニングデータを公開

大規模言語モデルとソフトウェア開発の研究に貢献

フューチャー株式会社

2025年9月2日 10時00分

フューチャー株式会社（本社：東京都品川区、代表取締役会長兼社長グループCEO 金丸恭文、以下フューチャー）は、大規模言語モデル（以下、LLM）と日本語によるソフトウェア開発領域の研究の発展を目的に、ソフトウェア開発に関するインストラクションチューニング（Instruction-Tuning）データを無償公開しました。公開したのは、シングルターン(※1)の日本語530万件、英語610万件、マルチターン(※1)の英語85万件のデータセットで、ソフトウェア開発に関する日本語インストラクションチューニングデータでは世界最大規模です。

◆公開URL◆

・シングルターン: https://huggingface.co/datasets/future-architect/Llama-3.3-Future-Code-Instructions

・マルチターン: https://huggingface.co/datasets/future-architect/Llama-3.3-Future-Code-Instructions-MT

LLMの開発には良質な学習データが不可欠です。特に、人がLLMに与える指示(Instruction)とそれに対する回答(Answer)のペアで構成されるインストラクションチューニングデータは非常に重要です。しかし、通常、これらのデータ構築には多額のコストが掛かるため、一般公開されている学習用データセットは少なく、かつ日本語に特化したソフトウェアに関するインストラクションチューニングデータも限られていることが同分野の研究開発における障害となっています。

当社は、2024年10月に経済産業省とNEDO（国立研究開発法人新エネルギー・産業技術総合開発機構）が実施する国内生成AIの開発力強化プロジェクト「GENIAC（Generative AI Accelerator Challenge）」(※2)に採択され「日本語とソフトウェア開発に特化した基盤モデル」の研究開発を行ってきました。今回公開したインストラクションチューニングデータは、本プロジェクトの研究過程においてベンチマークとしたLLMをもとに自動生成したものです。なお本インストラクションチューニングデータを活用し、GENIACのプロジェクトで開発した「Llama 3.1 Future Code Ja」(※3)は、様々なプログラミング言語において比較対象となるベースモデルに対し高い生成能力を実現し、特に日本語の指示によるソースコード補完能力に優れていることが確認できました。

フューチャーはテクノロジーをベースに、20社以上のグループ企業を展開するソーシャルデザインカンパニーとして、先端的なAIの学術研究・研究開発を強力に推し進めています。また、主要事業会社のフューチャーアーキテクト（本社：東京都品川区、代表取締役社長：谷口友彦）とともに、構想から実装まで一気通貫で支援するAI コンサルティングサービスを提供しています。