language:
- en
- th
license: apache-2.0
size_categories: - n<10k
task_categories: - text-generation
- text-classification
pretty_name: "Delentia JITNA TOON Dataset v0.4"
tags: - rct
- JITNA
- TOON
- algo-42
- constitutional-ai
- intent-loop
- zero-trust
- 10-layer-os
- hexacore-v2.3
- ed25519-signatures
- zk-fdia
- delentia-os
Delentia JITNA TOON Dataset: Thai Constitutional AI SFT Instruction Pairs (v0.4)
🇹🇭 คลิกที่นี่เพื่ออ่านรายละเอียดภาษาไทย | 🇬🇧 Click here for English Documentation
📖 English Documentation
Overview
Delentia JITNA TOON Dataset v0.4 is a high-quality, bilingual instruction-tuning dataset designed to train Small Language Models (SLMs) to act as secure, offline cognitive operating system kernels. It structures prompts and completions into the JITNA v4 (Just-In-Time Nodal Assembly) protocol and serializes them using the TOON (Token-Oriented Object Notation — ALGO-42) format to save 15-50% on token overhead.
This dataset provides the precise training signals used to fine-tune the core Delentia JITNA v0.4 base model and its specialized 4 adapters.
🔗 JITNA v0.4 Ecosystem Links
To maximize integration, this dataset is linked directly with the corresponding models:
- Core Foundation Base Model: Delentia/delentia-slm-jitna-v0.4
- Specialist Adapters (1+4 Pillars):
- Associated Knowledge Base:
Dataset Structure & Schema
The dataset contains raw JSONL pairs and normalized CSV tables inside /tabular for the Interactive Viewer:
intents.csv: Contains query data (intent_id,title,description,category,difficulty,split).documents.csv: Background contexts (doc_id,intent_id,source_type,title,content,is_relevant).artifacts.csv: Model outputs (artifact_id,intent_id,artifact_type,content,quality_label).
Raw JSONL Data Format Example
{
"prompt": "You are Delentia OS v0.4 — a constitutional AI... User intent: sync credits for user_4500",
"completion": "I: sync credits for user_4500\nD: current_credits balance modified: new total is 1350\nΔ: credits: +450\nA: execute sync transaction for control plane tracking\nR: delta compressed (compression ratio: 30.96x, saved 92.57% tokens)\nM: state sync completed for node_4500"
}
JITNA TOON & RCT-7 Training Alignment
These instruction pairs train models to align with the RCT-7 Thinking 7-step sequence (Observe, Analyze, Deconstruct, Reverse Reasoning, Identify Core Intent, Reconstruct, Compare) and execute actions within the mathematical boundaries of the FDIA Equation (F = Dᴵ × A).
How to Load
from datasets import load_dataset
# Load raw JSONL datasets
dataset_v4 = load_dataset("Delentia/delentia-rct-intent-dataset", data_files="data/v0.4_jitna_pairs_v04.jsonl")
# Load tabular CSV formats
intents = load_dataset("Delentia/delentia-rct-intent-dataset", data_files="tabular/v0.4/intents.csv")
print(intents["train"][0])
🇹🇭 เอกสารภาษาไทย (Thai Documentation)
ภาพรวม
ชุดข้อมูล Delentia JITNA TOON Dataset v0.4 ออกแบบมาสำหรับการฝึกสอนโมเดลภาษาขนาดเล็ก (Local SLM 8B) เพื่อทำหน้าที่ควบคุมคำสั่งเอเจนต์แบบออฟไลน์ที่ปลอดภัยและสอดคล้องตาม พ.ร.บ. คุ้มครองข้อมูลส่วนบุคคล (PDPA) และ GDPR
ประกอบด้วย:
- การแปลงข้อมูล TOON (Token Optimization): การตัดขยะโทเคนจากโครงสร้าง JSON ปกติไปเป็น TOON format ช่วยประหยัดหน่วยความจำ VRAM และลดการใช้โทเคนลงได้ 15-50%
- ชุดข้อมูล Cognitive OS & Self-Awareness (v0.4): คู่อบรมคำสั่งจำนวน 3,184 สถานการณ์เพื่อสร้างความตระหนักรู้สถาปัตยกรรม (Self-Awareness) ครอบคลุมสมการความปลอดภัย FDIA, ระบบยืนยันลายเซ็น ED25519 และโครงสร้างแกนกลางระบบปฏิบัติการ Delentia OS v0.4
คำอธิบายฟิลด์ JITNA v4
I:(Intent): โค้ดเจตจำนงที่ถอดความจากภาษาธรรมชาติของผู้ใช้งานD:(Data): เพย์โหลดข้อมูลหรือค่าประเมินความพร้อมและคุณภาพบริบทΔ:(Delta): ความแตกต่างการเปลี่ยนแปลงสถานะหน่วยความจำในระบบปฏิบัติการA:(Approach): เส้นทางการเปลี่ยนผ่านสถานะของระบบ/อัลกอริทึม หากพบคำสั่งบายพาสหรือบุกรุกระบบ จะถูกเซ็ตเป็นโมฆะและหยุดการประมวลผลทันทีR:(Reflection): การตรวจสอบประเมินความถูกต้อง (Verification) ของผลการทำงานM:(Memory): การสอดคล้องกันและจัดเก็บค่าระยะยาวใน RCTDB
แกนกลางการประมวลผล: RCT-7 Thinking & FDIA
ชุดข้อมูลถูกออกแบบมาเพื่อฝังโครงสร้างการตัดสินใจ 7 ขั้นตอนของ RCT-7 Thinking และคุมคำตอบให้ปลอดภัยด้วย FDIA Equation (F = Dᴵ × A) เพื่อให้โมเดลควบคุมขอบเขตสิทธิ์การทำงานอย่างสมเหตุสมผลเชิงคณิตศาสตร์ ปราศจากการหลอนข้อมูล
⚖️ Licensing & Governance
- Licensing: Apache 2.0.
- Privacy & Sovereignty: Safe for PDPA-regulated domains. Contains no PII. Designed to support localized, sovereign fine-tuning runs.
- Publisher: Delentia Labs (Bangkok, Thailand 🇹🇭).