nekam13/zbynka-dataset

Zbyňka – český konverzační dataset

Český jednosloupcový dataset pro konverzační dolaďování postavy Zbyňky Čechové. Repozitář kombinuje původní soubory s tematickým rozšířením vytvořeným 30. července 2026.

Nové benchmarkové položky jsou původní syntetické úlohy. Nejde o kopie veřejných evaluačních otázek, takže záměrně nevytvářejí přímou kontaminaci známých testovacích sad.

Schéma

Každý CSV soubor má jediný sloupec text. Jedna buňka obsahuje celou konverzaci ve formátu podobném ChatML:

<|im_start|>system
...<|im_end|>
<|im_start|>user
...<|im_end|>
<|im_start|>assistant
<thought>
Stručné shrnutí postupu.
</thought>
...<|im_end|>

• Jazyk: čeština (cs-CZ).
• Kódování: UTF-8.
• Nové soubory: standardní CSV s korektně escapovanými víceřádkovými buňkami.
• Licence repozitáře: CC BY-NC 4.0.

Rozšíření z 30. 7. 2026

V adresáři data/additions/ je 730 000 nových QA ve 23 tematických souborech. Původní soubory v kořeni zůstaly zachované.

Znalosti a konverzace

• common_sense_v2.csv — 100 000 položek selského rozumu, bezpečnosti, plánování a praktických výpočtů.
• small_talk_v2.csv — 10 000 přirozených krátkých konverzací.
• wizard_history_v2.csv — 10 000 položek skryté české čarodějnické historie; zakázaný výraz ani jeho kořen se v souboru nevyskytuje.
• geography_v2.csv — 100 000 položek; přibližně 80 % úloh je zaměřeno na ČR a 20 % stručně na svět.
• biology_v2.csv — 100 000 položek z buněčné biologie, genetiky, ekologie, anatomie, botaniky a mikrobiologie.
• social_etiquette_v2.csv — 10 000 položek etikety, občanského soužití, mediální gramotnosti a společenských věd.
• history_cz_wizard_v2.csv — 100 000 položek českých dějin od paleolitu po současnost, vždy s oddělenou veřejně doloženou a skrytou vrstvou.
• cooking_v2.csv — 100 000 přepočítaných receptů, variant, technik a zásad hygieny potravin.

U vaření nebyl v zadání určen počet; jako výslovný pracovní předpoklad bylo zvoleno 100 000 položek.

Kreativní psaní — celkem 100 000

• creative/stories.csv — 25 000 krátkých příběhů.
• creative/essays_and_slohy.csv — 25 000 slohových útvarů a esejí.
• creative/poetry.csv — 20 000 básní se schématy AABB nebo ABAB.
• creative/songs.csv — 20 000 písňových slok a refrénů.
• creative/rhyme_craft.csv — 10 000 výukových úloh na český rým, rytmus a opravu veršů.

Koncová slova a požadovaná schémata byla programově zkontrolována u všech 20 000 básní a 20 000 písní.

Původní syntetické benchmarkové úlohy — celkem 100 000

Každý soubor v data/additions/benchmarks/ obsahuje 10 000 položek:

• logic.csv — dedukce, uspořádání, množiny a podmínky.
• math.csv — procenta, poměry, rovnice, průměry a slovní úlohy.
• instruction_following.csv — přesné dodržování formátu a omezení.
• truthfulness.csv — práce s nejistotou, neúplnými důkazy a falešnými předpoklady.
• context_reading.csv — extrakce, negace, zájmena a více kroků v kontextu.
• temporal_spatial.csv — datumy, rozvrhy, souřadnice a směry.
• causal_counterfactual.csv — kauzalita, korelace, intervence a kontrafaktuály.
• language.csv — český význam, syntax, analogie a rozsah negace.
• planning_tools.csv — závislosti, rezervy, volba nástroje a plánování.
• code_data.csv — Python, JSON, SQL, regulární výrazy a složitost.

Rodiny úloh byly navrženy po průzkumu BIG-bench, OpenAI Simple Evals, BenCzechMarku a MiniCzechBenchmarku. Konkrétní otázky a odpovědi byly vytvořeny nově.

Načtení datasetu

Datová karta definuje čtyři konfigurace. default spojuje validní původní kořenové soubory s celým rozšířením; historicky fragmentované soubory cvsdataset.csv a matematika_fyzika_logika.csv z této konfigurace záměrně vynechává.

from datasets import load_dataset

repo_id = "nekam13/zbynka-dataset"

# Celé validní jádro + nové rozšíření
everything = load_dataset(repo_id, "default", split="train")

# Přesně 730 000 nových položek
additions = load_dataset(repo_id, "additions", split="train")

# Jen tvůrčí psaní nebo jen původní syntetické benchmarkové úlohy
creative = load_dataset(repo_id, "creative", split="train")
benchmarks = load_dataset(repo_id, "benchmarks", split="train")

Všechny tematické soubory mají stejné schéma. Je-li potřeba vlastní výběr, lze je načíst také přímo:

from datasets import load_dataset
from huggingface_hub import list_repo_files

paths = [
    path
    for path in list_repo_files(repo_id, repo_type="dataset")
    if path.startswith("data/additions/") and path.endswith(".csv")
]
urls = [f"hf://datasets/{repo_id}/{path}" for path in paths]
custom = load_dataset("csv", data_files={"train": urls})["train"]

Reprodukovatelnost a kontrola

Generátory, manifest a validátor jsou v adresáři generation/:

python generation/generate_knowledge.py
python generation/generate_history_cooking.py
python generation/generate_creative.py
python generation/generate_benchmarks.py
python generation/validate_dataset.py

Výsledek poslední úplné kontroly:

• 730 000 / 730 000 očekávaných nových řádků.
• 730 000 přesně unikátních konverzací; žádná přesná duplicita ani mezi novými soubory.
• 23 / 23 souborů se schématem text a platnou strukturou tagů.
• 0 výskytů zakázaného kořene v obou nových souborech čarodějnické a propojené historie.
• 40 000 / 40 000 úspěšných kontrol rýmového schématu.
• SHA-256, velikosti a počty jednotlivých souborů jsou v generation/manifest.json.

Důležité omezení

• Obsah je převážně syntetický a kombinatoricky generovaný; přesná unikátnost neznamená úplnou významovou nezávislost.
• Factualitu, stylistickou kvalitu a vhodnost pro konkrétní produkční použití je třeba dále ověřit lidskou revizí.
• Skrytá čarodějnická historie je součástí fikčního světa Zbyňky. V propojeném historickém souboru je proto výslovně oddělena od veřejně doložených dějin.
• Zdravotní, potravinové a bezpečnostní položky jsou výukové a nenahrazují odbornou radu pro konkrétní situaci.
• Původní kořenové soubory byly zachovány beze změny. Kontrolní manifest upozorňuje, že starší cvsdataset.csv a část matematika_fyzika_logika.csv obsahují historicky vzniklé fragmentované ChatML řádky; pro nové trénování se doporučují validované soubory v data/additions/.

Zdroje inspirace benchmarkových rodin

• BIG-bench
• OpenAI Simple Evals
• BenCzechMark
• BenCzechMark leaderboard
• MiniCzechBenchmark

Tyto zdroje sloužily pouze k volbě typů schopností. Jejich evaluační položky nebyly kopírovány do tréninkových dat.