hermes-agent-traces-filtered
קוד פתוחDJLougenapache-2.02026-04-04
המאגר כולל 3,679 מסלולי שיחה מרובי שלבים של סוכני בינה מלאכותית עם בלוקים של חשיבה עמוקה לפני כל קריאה לכלי. הוא מיועד למי שרוצה לאמן מודל לחשוב, לתקן את עצמו ולאמת תוצאות במקום לירות פקודות סתם.
- 990הורדות בחודש
- 44לייקים
מה זה
הנתונים הם תת קבוצה מסוננת מתוך המאגר המקורי של חברת למבדה שכלל 7,646 דוגמאות. DJLougen העביר את כל הרשומות סינון אוטומטי שחתך החוצה שורות עם בלוקי מחשבה ריקים או קצרים, קריאות כלים עם JSON שבור, והיעדר חשיבה ביקורתית. שום רשומה לא נערכה או שונתה, מדובר בניקוי בינארי שהשאיר רק שיחות שלמות ועקביות.
המבנה עוקב אחר פורמט ShareGPT שמתאים לכלי העבודה של Hermes ושל NousResearch. כל רשומה כוללת מזהה ייחודי, הגדרות כלים, קטגוריות משימה ושיחה מלאה בין המשתמש, המודל והכלים. המודל מייצר תגיות think לפני שהוא פולט תגיות tool call, ומקבל בחזרה tool response. הדאטה מכסה תשע קטגוריות שונות שכוללות משימות מאגר קוד, עבודה בטרמינל, אוטומציה של דפדפן, קבצים ותכנון.
מתאים ל
- אימון שלב שני לסוכנים
כוונון עדין של מודלי חשיבה קיימים כדי ללמד אותם מתי ואיך להפעיל כלים בצורה שקולה.
- אימון שחזור משגיאות
לימוד סוכנים לזהות שגיאות בפלט של כלים ולשנות גישה במקום לנסות שוב ושוב את אותה פעולה.
- אוטומציה וקוד
הוראת מודלים להפעיל טרמינל, דפדפן ופעולות קבצים מורכבות שמצריכות בדיקה מקדימה לפני ביצוע.
איפה זה נופל
המאגר כולו באנגלית בלבד. אם המוצר שלכם צריך לתקשר בעברית או להריץ כלי מערכת על טקסט עברי, הנתונים האלה לא יעזרו באופן ישיר. מעבר לזה, מדובר בסינון מבוסס כללים אוטומטיים שמחפשים דפוסים מבניים ולא בדיקה אנושית ידנית. השיחות ארוכות ותובעניות מאוד בחומרה, ואם תנסו לחתוך אותן לקונטקסט קצר יותר תאבדו את רוב מסלולי התיקון העצמי שמתרחשים בשלבים המאוחרים של הריצה.
שאלות
נפוצות
האם מותר להשתמש במאגר לפיתוח מוצר מסחרי?
כן, הרישיון הוא Apache 2.0 שמתיר שימוש מסחרי חופשי. אתם יכולים לאמן עליו מודלים מסחריים בלי לפרסם את המשקולות או את הקוד שלכם, כל עוד אתם נותנים קרדיט לפי תנאי הרישיון.
האם יש בדאטהסט נתונים או שיחות בעברית?
לא, המאגר מוגדר ומכיל טקסטים באנגלית בלבד. מונחי הכלים, פקודות המערכת וכל מסלולי החשיבה כתובים כולם באנגלית.
מה ההבדל בין המאגר הזה לגרסה המקורית של למבדה?
המאגר המקורי הכיל 7,646 שיחות, אבל בחצי מהן המודל כמעט לא חשב לפני שקרא לכלי. הגרסה הזו סיננה כמחצית מהרשומות והשאירה רק 3,679 דוגמאות שבהן המודל עושה תיקון עצמי ובדיקות אימות בתוך תגיות החשיבה.
איזה כוח מחשוב נדרש כדי לאמן על הנתונים האלה?
השיחות כאן ארוכות מאוד ומגיעות בממוצע ליותר משלושים הודעות. המפרסם ממליץ על אורך הקשר של 16,384 טוקנים, ולכן תצטרכו כרטיסי מסך חזקים עם זיכרון גדול או שימוש בשיטות כמו LoRA כדי להחזיק את כל הטרקטוריה בזיכרון.
איך טוענים
טוענים את הנתונים ישירות דרך הספרייה הרגילה של Hugging Face בפקודת load dataset עם שם המאגר והספליט train, בלי צורך באישור גישה. הקובץ המרכזי יושב בנתיב data/train.jsonl. קחו בחשבון שמדובר בשיחות עמוקות מאוד, ממוצע של 32 הודעות ו 18 קריאות לכלי לרשומה, כך שמומלץ לעבוד עם אורך הקשר של 16,384 טוקנים לפחות כדי שרוב הרשומות ייכנסו במלואן.
from datasets import load_dataset
ds = load_dataset("DJLougen/hermes-agent-traces-filtered")הרישיון
המאגר מופץ ברישיון Apache 2.0 מלא. אפשר להשתמש בו לצרכים מסחריים ומחקריים, לשנות אותו ולשלב אותו במוצרים סגורים. אין חובה לפתוח את הקוד שלכם או לשתף את המודל המאומן תחת אותו רישיון. החובה היחידה היא לשמור על הודעת זכויות היוצרים והייחוס ליוצר המקורי ולמבצע הסינון.
- שימוש מסחרי
- שינוי הקוד
- הפצה מחדש
- שימוש בפטנטים