IFM、推論特化コードデータセット Code-Reasoning を公開──K2 Horizon コレクション傘下で Parquet 形式配信
K2 Horizon コレクションの一部として、思考プロセス付きコードデータや直接解答など複数サブセットを Parquet 形式で提供する。
リリース: 2026-09-11 · 読了 2 分記事の要約
1. 核心（What）
- IFM は code-no-thinking や code-thinking-v1 を含む複数のサブセットを持つ Code-Reasoning データセットを公開した。
- 全サブセットの train スプリットは Parquet シャード形式でバックアップされ、Dataset Viewer による検査とストリーミングアクセスに対応している。
- データは元々 JSON オブジェクトとして生成され、リリース時に Parquet へ変換されている。
- ライセンスには Apache License 2.0 が採用されている。
2. 影響（Why）
- 推論データの直接利用: 思考プロセスを含むコード問題解決データを直接利用できるため、LLM の reasoning 強化に必要なデータ調達の手間が大幅に軽減される。
- 国内開発者への恩恵: 国内でコード生成モデルの自社学習を進める中規模の開発チームは、ライセンスのクリアなオープンデータとして検証サイクルに組み込める。
3. 根拠・詳細（How）
- Parquet シャードとロード仕様: datasets ライブラリの load_dataset 関数を用い、split='train' と streaming=True を指定して効率的にサブセットを読み込める実装になっている。
- サブセット構造の分離: code-no-thinking から code-thinking-v1 までの複数ディレクトリに分割され、それぞれ stable ID 付きの Parquet シャードで構成されている。
4. 展望・課題（Next）
- 品質評価とリスク管理: 大規模トレーニングデータ特有の重複や不安全なコンテンツが含まれる可能性があるため、利用者はアプリケーションに応じたフィルタリングとリスク評価を行う必要がある。