mahiyama/quiz-works

クイズワークス (https://quiz-works.com/) のクイズ Q&A を日本語版 Wikipedia パッセージで根拠付けした Open-domain QA データセットに、本リポ内で Hard Negative Mining と Cross-Encoder 蒸留スコア付与を実施した日本語 retrieval / 蒸留学習用データセット。

本リポに供給される (query, positive) ペアは、クイズワークス のクイズ問題文を query、 その短い正答 (例: 「青年海外協力隊」) を 日本語版 Wikipedia 全 passage コレクションへ 引き当てて取得した 根拠 passage 本文 を positive としたもの。短答テキストから passage 本文への引き当て (hydration) は別パイプラインで済んだ状態で入力されており、本リポでは それを起点に Hard Negative Mining と Cross-Encoder 蒸留スコア付け、quality_score フィルタを行って pairs / triplets / n-tuples / n-tuples-filtered の 4 形式に 組み替えている。

Configs

config	rows	columns	説明
pairs	16,996	query, positive	元 (query, positive) ペアそのまま。フィルタなし。
triplets	16,996	query, positive, negative	1 hard negative を付けた triplet。negative は n-tuples の negative_1 と同一 (positive-aware filter 通過の最高スコア 1 件)。フィルタなし。
n-tuples	16,996	query, positive, negative_1〜negative_5, label	5 hard negatives + Cross-Encoder の生 logit を label に付与した全行。フィルタなし。
n-tuples-filtered	12,502	query, positive, negative_1〜negative_5, label	n-tuples のうち quality_score が valid (偽 negative / weak positive / borderline の 3 条件をすべてクリア) の行のみ。

すべて split は train。triplets / n-tuples は全行 (フィルタ未適用)、n-tuples-filtered は valid 行のみ。

label カラムの形式 (n-tuples / n-tuples-filtered 共通)

List[float] × 6 で [score(query, positive), score(query, neg_1), …, score(query, neg_5)]。 label[0] が positive、label[1:] が negative_1 〜 negative_5 に 1:1 で順序通り対応する。 スコアは Cross-Encoder の生 logit (sigmoid 適用前)。 本データの観測 |score|max ≈ 12.59。

使い方

pairs (最もシンプルな (query, positive) 形式)

from datasets import load_dataset

pairs = load_dataset("mahiyama/quiz-works", "pairs", split="train")
# Dataset(features=['query', 'positive'], num_rows=16996)

triplets (1 hard negative / query)

triplets = load_dataset("mahiyama/quiz-works", "triplets", split="train")
print(triplets[0])
# {"query": "...", "positive": "...", "negative": "..."}

n-tuples (5 hard negatives + 蒸留 logit, 全行)

ntuples = load_dataset("mahiyama/quiz-works", "n-tuples", split="train")
print(ntuples[0])
# {
#   "query": "...",
#   "positive": "...",
#   "negative_1": "...", ..., "negative_5": "...",
#   "label": [10.32, 5.12, 0.84, -3.11, -2.42, -4.07],   # 生 logit
# }

n-tuples-filtered (valid 行のみ、KL 蒸留向け)

ds = load_dataset("mahiyama/quiz-works", "n-tuples-filtered", split="train")
# 偽 negative / weak positive / borderline を除外した 12,502 行

上流データの形式について

本リポに入ってくる (query, positive) ペアは「クイズ問題文 × 短答ベタ書き」ではなく、 「クイズ問題文 × その短答を Wikipedia 全 passage コレクションへ引き当てて hydrate した 根拠 passage 本文」になっている。具体例:

カラム	中身 (短答 hydration 後)
query	応募資格があるのは20歳から39歳までの男女。合格すると80日間の国内研修と現地での一ヵ月の語学研修を経て…国際協力事業団が運営する開発途上国の発展に協力する制度は何?
positive	青年海外協力隊 応募資格は、日本国籍を持つ20歳以上の心身ともに健康な者… (Wikipedia 該当エントリの passage 本文)

短答テキスト (例: 「青年海外協力隊」) 自体は本リポには含まれない。短答が必要なユース ケースでは、原典 (クイズワークス) もしくは passage 引き当ての元になった public な オープン Wikipedia retrieval リソースから query (anchor) キーで join し直して 取得すること。

Hard Negative 選定の二段階フロー

各 (query, positive) 行について、negative_1 〜 negative_5 を以下の二段階で選出する。 2 段階の役割を分離することで、Stage 1 (dense retriever) で「意味的に近い候補を広く拾い」、 Stage 2 (cross-encoder) で「真に紛らわしい hard negative だけを残す」という構造になっている。

Stage 1: dense retriever による候補集めの粗探索 (top-15)

• cl-nagoya/ruri-v3-310m で query / 全ユニーク positive (15,313 件) を 768 次元にエンコードする (prompt = 「検索クエリ:」 / 「検索文書:」, L2 正規化済み)。
• faiss-cpu の IndexFlatIP (cosine 同等) で query 毎に top-16 を取得。
• top-16 中の gold positive (query の正解 positive 本体) を除外し、 残り 15 件を「negative 候補プール」とする。
• この時点では各候補が真に negative であるかは未確認 (近義 passage や同義文を含む可能性あり)。

Stage 2: cross-encoder による精選 (top-15 → top-5)

• cl-nagoya/ruri-v3-reranker-310m で 各 (query, candidate) の生 logit を計算する (max_length=512, FP16, sigmoid OFF / Identity activation)。
• positive についても同じ cross-encoder で生 logit を計算し pos_score とする。
• 各候補に対し positive-aware filter (NV-Retriever TopK-PercPos) を適用: candidate_score < pos_score × 0.95 を満たすものを PASS、そうでないものを NG。
• PASS 候補を score 降順にソートし、上位 5 件を negative_1 〜 negative_5 として確定。
• PASS が 5 件に満たない場合は不足分を NG 候補から score 降順でフォールバック採用する (NV-Retriever / SFR レシピ準拠の fallback 規則)。
• triplets の negative は同じ手順で得た PASS のうち最高スコア 1 件 (= n-tuples の negative_1 と同一エントリ)。

なお、本データセットは規模が中規模 (16,996 行) のため、Stage 1 出力の top-5 を機械的に 除外する手順 (大規模データで採用される false-positive 緩和) は実施していない。 偽 positive の混入回避は Stage 2 の positive-aware filter に完全に任せる設計。

選定統計

指標	値	比率
入力 (query, positive) ペア数	16,996	100.0%
Stage 1: ユニーク positive (FAISS index 規模)	15,313	-
Stage 1: gold positive が top-16 にヒット	16,702	98.3%
Stage 1: gold positive が rank=0	14,395	84.7%
Stage 2: triplets が filter PASS で確定	16,992	100.0%
Stage 2: triplets がフォールバック (filter NG 採用)	4	0.0%
Stage 2: n-tuples が 5 件すべて filter PASS	16,948	99.7%
Stage 2: n-tuples で一部フォールバック使用	48	0.3%
累計 negative (filter PASS)	84,871	99.9%
累計 negative (フォールバック)	109	0.1%

蒸留スコア付けの方法

n-tuples / n-tuples-filtered の label カラムは、教師モデル cl-nagoya/ruri-v3-reranker-310m (Japanese ModernBERT Cross-Encoder) の 生 logit を Cross-Encoder スコアとして 各 (query, doc) ペア (positive 1 件 + negative 5 件) に付与したもの。 Stage 2 で計算した logit をそのまま label に保存している (再推論はしていない)。

スコア付けの設定

項目	値
Teacher	cl-nagoya/ruri-v3-reranker-310m
Max length	512
推論精度	FP16
Batch size	256
入力フォーマット	単一文ペア (query, document) — Identity activation (sigmoid OFF)
出力	生 logit (sigmoid 適用前)。観測 |score|max ≈ 12.59

KL 蒸留損失 (SparseDistillKLDivLoss / DistillKLDivLoss 等) は softmax(label / T) を target distribution として使うため、 sigmoid 後の [0, 1] 値だと softmax target が一様分布に潰れて ranking 情報が失われる。 これを防ぐため、教師の最終活性化を明示的に Identity に置き換えてスコアを出力した:

import torch.nn as nn
from sentence_transformers import CrossEncoder

teacher = CrossEncoder(
    "cl-nagoya/ruri-v3-reranker-310m",
    max_length=512,
    device="cuda",
    trust_remote_code=True,
)
teacher.model.eval()
teacher.model.half()                                # FP16
teacher.default_activation_function = nn.Identity()  # sigmoid を外す

scores = teacher.predict(
    [("query A", "passage A"), ("query A", "passage B")],
    batch_size=256,
    convert_to_numpy=True,
    activation_fct=nn.Identity(),  # 念のため predict() でも明示
)
# scores: array([10.32, -3.56], dtype=float32)
assert abs(scores).max() > 1.0  # |score|max > 1 で sigmoid 混入チェック

logit のスケール感:

logit	sigmoid(logit)	解釈
+8	0.9997	確信度高く relevant
+5	0.993	強く relevant
+2	0.881	relevant 寄り
0	0.5	不確か
-2	0.119	irrelevant 寄り
-5	0.007	強く irrelevant
-8	0.0003	確信度高く irrelevant

quality_score: n-tuples-filtered の抽出指標

n-tuples-filtered は label から計算した quality_score の valid 行のみを含む。 quality_score は学習価値が高い行を以下の 3 軸で定義する:

1. positive が信頼できる — 教師が positive を高 logit に置く
2. 偽 negative がない — max(neg) が positive を超えない
3. negative が硬い — negative の logit がそこそこ高く、margin が中程度

定義 (実装通り)

import numpy as np

POS_MIN        = 2.0   # σ(2.0) ≈ 0.88: 確信のある positive のみ採用
MARGIN_MIN     = 0.5   # 誤差レベルの分離は雑音と見なす
MARGIN_PENALTY = 0.1   # 易しすぎる行を弱く後回しにする係数

def quality_score_vec(labels: np.ndarray) -> np.ndarray:
    """labels: (N, 6) float32 raw logits [p, n1, n2, n3, n4, n5]. Returns (N,) float, -inf if invalid."""
    p      = labels[:, 0]
    neg    = labels[:, 1:]
    max_n  = neg.max(axis=1)
    mean_n = neg.mean(axis=1)
    margin = p - max_n

    fn_mask     = margin <= 0                                       # 偽 negative リーク
    weak_mask   = (~fn_mask) & (p < POS_MIN)                        # positive 自体が弱い
    border_mask = (~fn_mask) & (~weak_mask) & (margin < MARGIN_MIN) # 雑音疑い (境界)
    valid_mask  = (~fn_mask) & (~weak_mask) & (~border_mask)

    raw = mean_n - MARGIN_PENALTY * margin
    return np.where(valid_mask, raw, -np.inf)

各フィルタの意味

フィルタ	条件	意味
偽 negative	max(neg) >= positive	negative 群に実は relevant な passage が混入。KL 学習で逆効果になる。
weak positive	positive < 2.0	教師が positive を「弱く relevant」としか見ていない、positive ラベル自体の信頼度が低い。
borderline	0 < margin < 0.5	positive と最強 negative の差が誤差程度。雑音 (近義 passage / アノテーション揺れ) の疑い。

ランキング (quality_score 本体)

mean(neg) - 0.1 × margin の 降順。本リポでは n-tuples-filtered は quality_score の -inf 落ち (valid_mask 通過しない) 行のみを除外しており、 順序は元の n-tuples を保持 (top-K 抽出は行わない)。 top-K 抽出が必要な場合は下記の select_top_k を使うこと:

def select_top_k(ds, k: int):
    labels = np.asarray(ds["label"], dtype=np.float32)
    scores = quality_score_vec(labels)
    n_valid = int(np.isfinite(scores).sum())
    take = min(k, n_valid)
    order = np.argsort(-scores, kind="stable")[:take]
    return ds.select(order.tolist())

フィルタ統計

指標	値	比率
入力行数 (n-tuples)	16,996	100.0%
偽 negative リーク (max(neg) >= p)	347	2.0%
weak positive (p < 2.0)	3,927	23.1%
borderline (0 < margin < 0.5)	220	1.3%
valid (n-tuples-filtered に収録)	12,502	73.6%

KL 蒸留損失への組み込み (PyTorch 例)

import torch.nn.functional as F

def kl_distill_loss(student_logits, teacher_label, T=2.0):
    """
    student_logits: (B, 6) student の (query, doc_i) スコア (生 logit)
    teacher_label:  (B, 6) label カラムをそのまま (生 logit)
    T: distillation temperature (推奨 1.0〜4.0; 観測レンジ ±13 なので 2.0 前後)
    """
    log_p_student = F.log_softmax(student_logits / T, dim=-1)
    p_teacher     = F.softmax(teacher_label   / T, dim=-1)
    return F.kl_div(log_p_student, p_teacher, reduction="batchmean") * (T * T)

sentence-transformers の SparseDistillKLDivLoss / DistillKLDivLoss を使う場合は、 label カラムをそのまま teacher score として渡せばよい。

限界・既知の問題

• フィルタは Cross-Encoder 1 段のみ — false negative の検出は教師モデル (cl-nagoya/ruri-v3-reranker-310m) のカバレッジに依存する。教師スコアが低めに振れる稀な passage 表現や、クイズ独特の固有名詞・歴史用語を含む正解は、weak positive として 除外される可能性がある。
• pairs / triplets / n-tuples はフィルタ未適用 — 偽 negative リーク (~2%) を 含む行が含まれるため、triplet ベースの単純な対照学習では symmetric / bidirectional loss などの頑健な損失設定を推奨する。安全策としては n-tuples-filtered を使う。
• 行数は中規模 (~16k) — 単独で fine-tune するには量がやや少ない。 他の日本語 retrieval データセット (quiz-no-mori, mmarco-ja, auto-wiki-qa, jagovfaqs 等) との混合を推奨。

データソース

役割	出所	ライセンス
元クイズ Q&A (query / 短答)	クイズワークス (https://quiz-works.com/)	二次利用自由 (Free)
positive の根拠 passage 本文	日本語 Wikipedia (短答から hydration 済みの状態で本リポに供給)	CC BY-SA 4.0
HNM 用 dense retriever (Stage 1)	cl-nagoya/ruri-v3-310m	Apache 2.0
蒸留教師 / Stage 2 リランカー	cl-nagoya/ruri-v3-reranker-310m (Japanese ModernBERT Cross-Encoder)	Apache 2.0

ライセンス

• 元クイズ問題文 (query): 上流コミュニティ公開の二次利用自由ポリシーを継承。
• Passage 本文 (positive / negative_*): 日本語 Wikipedia に由来し、CC BY-SA 4.0 を継承する。再配布時は Wikipedia の表示・継承条件に従うこと。
• label カラム: 本リポで cl-nagoya/ruri-v3-reranker-310m を用いて算出した派生スコア。

構築パイプライン (再現性)

pairs (16,996)  <- 上流で短答を Wikipedia passage に引き当てて hydrate 済みの (query, positive)
  ├─ unique positive 抽出 → 15,313 件
  ├─ Stage 1 (dense retriever)
  │    ├─ cl-nagoya/ruri-v3-310m で query / positive を埋め込み (L2 正規化)
  │    ├─ faiss-cpu IndexFlatIP で top-16 検索
  │    └─ gold positive を除外 → 各 query につき 15 件の negative 候補
  └─ Stage 2 (cross-encoder)
       ├─ cl-nagoya/ruri-v3-reranker-310m で (query, doc) ペアの生 logit を計算
       └─ NV-Retriever / SFR レシピで上位 5 件を確定
            ├─ triplets:          1 negative (filter PASS の最高スコア)
            ├─ n-tuples:          5 negatives + label (filter PASS 優先、不足分はフォールバック)
            └─ n-tuples-filtered: n-tuples のうち quality_score valid 行のみ

Acknowledgements

• 元クイズデータ: クイズワークス (https://quiz-works.com/)
• HNM パイプライン設計: NV-Retriever (Moreira et al.) / SFR-Embedding-Mistral レシピ
• 蒸留教師: cl-nagoya/ruri-v3-reranker-310m
• 埋め込みモデル: cl-nagoya/ruri-v3-310m