Hugging Face's logo

Datasets:
Supbatomic
/
UltraData-SFT-Agent-2609

Tasks:
Text Generation
Question Answering
Modalities:
Text
Formats:
json
Languages:
English
Chinese
Size:
100K - 1M
ArXiv:
Tags:
llm
sft
supervised-fine-tuning
post-training
agent
tool-use
Libraries:
Datasets
Dask
Polars
License:
Dataset card Data Studio Files
xet
 Community
1
UltraData-SFT-Agent-2609 / README_ZH.md
Supbatomic's picture
Supbatomic
Duplicate from openbmb/UltraData-SFT-Agent-2609
d28e4bf
preview code
|
Raw History Blame Contribute Delete
11.9 kB

UltraData-SFT-Agent-2609

📦 UltraData 合集 | 🌐 UltraData | 🤗 MiniCPM5 系列

English | 中文

📚 简介

UltraData-SFT-Agent-2609 是 UltraData L0-L4 分级数据管理框架 面向 Agent 指令微调的 L3 合成与增强数据。面向 MiniCPM5-2B 后训练构建，作为 UltraData-SFT-2605（核心领域 SFT）在可执行 Agent 轨迹上的补充。发布约 50 万条样本，覆盖工具调用、Search Agent、Code Agent 和 General Agent，贯穿指令理解、工具调用、环境交互、结果验证、错误恢复到最终交付的完整工作流。

数据集覆盖技能检索与调用、网页搜索与多跳问答、软件工程和代码执行、Office 文档处理、通用函数调用、多轮记忆、金融服务、数据库操作、文件读写和多模态内容处理等任务形态，以及从技能调用、文件操作到文档和办公流程执行的综合工作流。任务既包括单步或短链路指令执行，也包括需要持续规划、反复调用工具、处理执行反馈并进行阶段性验证的长链路任务，形成由基础工具使用到复杂 Agent 协作的梯度化任务分布。

📢 最新动态

  • [2026.09.07] UltraData-SFT-Agent-2609 数据集正式发布！面向 MiniCPM5-2B 后训练的 Agent 指令微调轨迹，属于 UltraData L0-L4 框架 中的 L3 合成与增强数据，约 50 万条，覆盖工具调用、Search Agent、Code Agent 和 General Agent。🚀🚀🚀
  • [2026.09.07] MiniCPM5-2B 正式发布！ 作为 MiniCPM5 系列在 MiniCPM5-1B 之后的第二款模型，这是一款沿用同一套训练配方放大的 2B 稠密 Transformer，面向端侧、本地部署与资源受限场景，达到 2B 级开源 SOTA，整体可与 4B 级模型竞争，并在代码、数学、长上下文、工具调用与 Agent 任务上相对同规模模型更具优势。UltraData-SFT-Agent-2609 是 MiniCPM5-2B 的核心 Agent SFT 数据。🚀🚀🚀
  • [2026.02.08] UltraData 平台正式上线，并发布 L0-L4 分级数据管理框架。🔍🔍🔍

🎯 数据规模与能力覆盖

发布版本共 483,661 条轨迹，覆盖四个 Agent 方向。部分 General-Agent 与 Code-Agent 任务在多个 harness 下复采样，因此统计的是轨迹条数，而非独立任务数。

Agent 方向 样本数 占比 主要内容
General-Agent 311,006 64.3% 技能检索与调用、Office / 文件工作流、多 harness 综合任务
Tool-Use 82,760 17.1% 函数调用、虚拟工具、数据库、金融业务流程、多轮工具交互
Code-Agent 69,895 14.5% 软件工程、代码修改、测试执行与跨环境错误修复
Search-Agent 20,000 4.1% 中英文搜索、多跳问答、检索规划与网页信息获取
合计 483,661 100%

🌟 数据集特点

  • 轨迹完整：除用户指令和最终答案外，保留环境观察、工具调用与返回、错误、重试和最终提交。
  • 跨 harness 泛化：同一类任务在不同 harness、工具集合和系统约束下采样。
  • Turn-level mask：可对低质量、冗余或格式错误的轮次从 SFT 损失中排除，而不必丢弃整条轨迹。
  • 保留诊断性失败样本：部分超时、工具失败与恢复轨迹经脱敏后作为辅助监督保留，不作为成功示范。

🏗️ 数据构建流程

数据集采用统一的任务生成与 Agent 轨迹构建流水线：

图示按六个步骤展示数据构建过程：任务准备、任务改写与扩展、环境配置、跨 harness 采样、结果验证和轨迹整理。

  1. 任务准备：从公开任务、开源数据集、代码仓库、知识资源或人工设计任务中收集任务种子，并补充角色、目标、约束、输入和交付要求。
  2. 任务改写与扩展：对任务进行结构化改写、难度分级和能力标注，以生成不同语言、不同任务链路和不同交付形式的任务变体。
  3. 环境配置：为每个任务提供初始环境、参考文件、工具集合、权限范围和可执行的成功判定条件。
  4. 跨 harness 采样：将任务放入不同 Agent harness 以及真实或仿真环境中，由教师模型完成多轮交互，并采集工具调用、环境反馈和最终结果。
  5. 结果验证：按任务类型使用程序测试、沙箱执行、文件可打开性检查、格式规则、数值校验、证据检查或模型评审验证结果。
  6. 轨迹整理：将任务指令、环境观察、assistant 行为、工具输入、工具返回、错误和最终提交整理为统一的消息序列。

🧹 数据清洗与质量控制

上述流程产出的候选轨迹须通过下列检查方可进入发布版本。检查由自动规则、执行验证与模型审核组合实施，贯穿采样、验证与整理三个阶段，主要包括：

  • 格式校验：检查 JSONL 可解析性、消息角色、必需字段、工具调用格式和参数 schema。
  • 轨迹完整性检查：检查任务指令、assistant 工具调用、工具返回、环境反馈和最终结果是否正确配对。
  • 工具行为检查：过滤不存在的工具、非法参数、无效调用、重复调用、调用循环和与任务无关的工具行为。
  • 执行结果验证：通过沙箱运行、测试用例、文件产物、结构化规则、数值一致性或证据回溯验证任务是否完成。
  • 异常轨迹处理：对超时、环境错误、工具失败、任务中断和错误恢复轨迹进行过滤或规范化标注。
  • Turn-level mask：对低质量、冗余、重复、格式错误或不应参与监督的交互轮次进行 mask，避免无效信号进入 SFT 损失计算。
  • 重复与污染处理：进行样本去重、近重复检测、跨 split 检查和已知评测集污染筛查。
  • 隐私与安全处理：清理个人信息、账号、密钥、Cookie、内部路径及其他敏感字段，并对危险操作、恶意代码和提示词注入进行标记或过滤。
  • 多级质量审核：结合规则审核、执行结果审核、模型评审和人工抽检，重点保留目标明确、过程可执行、结果可验证的样本。

📦 数据格式

每行 JSONL 对应一条完整轨迹。发布版 Meta 为 uuid、messages、tools、source、domain 五个字段。工具调用、环境观察、思维内容和最终结果均在 messages 中。

{
  "uuid": "agent_sample_000001",
  "messages": [
    {"role": "system", "content": "..."},
    {"role": "user", "content": "..."},
    {"role": "assistant", "content": "...","tool_calls":[...]},
    {"role": "tool", "content": "..."},
    ...
    {"role": "assistant", "content": "..."}
  ],
  "tools": [
    {
      "type": "function",
      "function": {
        "name": "",
        "description": "",
        "parameters": {
          "type": "object",
          "title": "parameters",
          "properties": {
            "<parameter_name>": {
              "type": "string",
              "title": "",
              "description": ""
            }
          },
          "required": [""]
        }
      }
    }
  ],
  "source": "UltraData-SFT-Agent-2609",
  "domain": "General_Agent-Office_Agent"
}
字段 类型 说明
uuid string 样本 id。
messages array 按时间顺序的 system / user / assistant / tool 轮次。
tools array 采样时提供的工具定义；训练时需按目标模板写入上下文。
source string 数据来源。
domain string 取值为 General_Agent-Claw_Agent、General_Agent-Office_Agent、Search_Agent-en、Search_Agent-zh、Search_Agent-plan、Tool_Use 或 Code_Agent。

部分子集可能保留来源相关的扩展字段，使用时按子集说明映射。

🚀 快速开始 

from datasets import load_dataset

ds = load_dataset("openbmb/UltraData-SFT-Agent-2609", "Code-Agent", split="train")
ds = load_dataset("openbmb/UltraData-SFT-Agent-2609", "Search-Agent", split="train")
ds = load_dataset("openbmb/UltraData-SFT-Agent-2609", "General-Agent", split="train")
ds = load_dataset("openbmb/UltraData-SFT-Agent-2609", "Tool-Use", split="train")

可用 config：Code-Agent、Search-Agent、General-Agent、Tool-Use。

💡 使用场景

  • 面向端侧模型的 Agent SFT，可按 domain、工具调用密度和轨迹长度筛选。
  • 按切片使用：函数调用（Tool-Use）、搜索/多跳检索（Search-Agent）、软件工程 Agent（Code-Agent）、办公与技能工作流（General-Agent）。
  • 训练错误恢复与结果验证，包括有意保留的失败/恢复轨迹。
  • 与 UltraData-SFT-2605 等核心领域 SFT 做配比研究。

⚠️ 注意事项与局限性

  • 仅静态轨迹：不包含任务环境、工具实现、测试或采样代码，无法在本地重放或复算验收。
  • 须渲染样本自带工具：tools 来自采样 harness，训练时必须写入上下文；许多虚拟 API 在真实部署中并不存在。
  • 验证通过 ≠ 过程正确：通过环境成功判定不代表每一步都正确或高效；保留的失败轨迹不是成功标签。
  • 快照时效：网页、检索结果、文件、依赖与 API 均按采样时刻固化，不宜当作最新事实或版本。
  • 去污范围：仅覆盖构建时已知评测集，引入新基准前应另行检测。

📜 许可与数据来源

本项目按 Apache 2.0 许可证发布。数据集汇集上游数据集、公开代码仓库、网页内容与模型生成轨迹；使用者还须遵守各上游许可证。Apache 2.0 不会覆盖或取代这些条款。

部分样本来自公开可访问的课程页面。公开可访问不等于授予再分发、商用或训练许可。权利人可通过数据集页面的联系方式申请移除。

数据集不应包含明文密钥或未经授权的个人数据。敏感内容或删除请求请通过同一渠道联系维护者。

禁止未经授权的原样转载： 未经原作者（或本组织）事先书面许可，任何机构、组织或第三方平台严禁以任何形式直接转载、镜像、重新托管，或对项目产物进行商业化重新包装后再发布。

📖 引用

如果 UltraData-SFT-Agent-2609 对您的研究有帮助，请考虑引用：

@misc{ultradata_sft_agent_2609,
  title        = {UltraData-SFT-Agent-2609},
  author       = {MiniCPM Team},
  year         = {2026},
  publisher    = {Hugging Face},
  howpublished = {\url{https://huggingface.co/datasets/openbmb/UltraData-SFT-Agent-2609}}
}