glm-5.2-coding-and-debugging-traces

מה זה

הרשומות במאגר מייצגות צעדים בודדים מתוך מסלולי עבודה מלאים של המודל. כל שורה מכילה קידומת מצטברת של השיחה עד לתור הנוכחי של העוזר, כך שמסלול אחד מייצר כמה שורות אימון. המבנה שומר על הניסיונות של הסוכן, הקריאות לכלים והתוצאות שלהן, תוך ניקוי פלט מיותר ורכיבי ממשק.

התוכן נוצר כולו על ידי המודל GLM 5.2 באמצעות כלי בשם moonshiner, ועבר אימות כפול. המשימות חולקו לקטגוריות שעיקרן בניית מערכות ופתרון באגים, לצד פיתוח תכונות ושימוש בכלים. כדי להתקבל למאגר, תהליכי הקוד חויבו לעבור בדיקות דטרמיניסטיות, ומסלולי השימוש בכלים נבדקו מול אילוצי קריאה ואישור של שופט מבוסס Codex שאינו מספק תוכן בעצמו.

הנתונים מחולקים בין אימון לוולידציה לפי משימות נפרדות, ללא חפיפת מסלולים ביניהם. בסך הכל המאגר מחזיק 1,821 שורות אימון שנגזרו מתוך 207 מסלולים שהתקבלו. הקוד עצמו מכסה מגוון רחב של שפות פיתוח כמו פייתון, גו, טייפסקריפט, ראסט, ג'אווה ו־C.

מתאים ל

• כוונון עדין לקריאה לכלים

  אימון סוכן לבניית ארגומנטים מדויקים, הפעלת קריאות במקביל וניהול תלויות בין שלבים.

• לימוד תהליכי ניפוי שגיאות

  חשיפת המודל ללולאות של בדיקה, זיהוי כשלים ותיקון קוד בסביבות פיתוח מגוונות.

• מחקר על תכנון צעדים

  ניתוח האופן שבו מודלים מתקנים את עצמם לאורך מסלול עבודה רב-שלבי עד להשלמת המשימה.

איפה זה נופל

החיסרון הבולט הוא ההיקף, 207 מסלולים בלבד הם כמות קטנה מאוד לאימון מודל בסיס, והם יכולים לשמש בעיקר לכוונון עדין ממוקד. בנוסף, השפה האנושית היחידה כאן היא אנגלית. כל הנתונים הם תוצרים סינתטיים של מודל יחיד עם סינון של מודל אחר, ללא כתיבה אנושית חיה. מנגנון הסינון מעדיף מסלולים עם מאמץ חשיבה נמוך אם הם הצליחו לפתור את המשימה, מה שעלול להשאיר תהליכים פחות מפורטים.

איך טוענים

הנתונים זמינים ישירות ללא צורך באישור גישה או הרשמה מיוחדת, בפורמט Parquet המחולק לקבצים וכן בקובץ JSONL מלא. הנפח קל מאוד להורדה, מגהבייט בודד בגרסת הפרקט וכ־35 מגהבייט בגרסת הטקסט. בעת טעינת הנתונים לאימון, חשוב לפקח רק על הודעת העוזר האחרונה בעמודת ההודעות בכל שורה, ולא על כל הודעות הסוכן בהקשר, מכיוון שההודעות המוקדמות מופיעות שוב ושוב בשורות הבאות.

from datasets import load_dataset

ds = load_dataset("greghavens/glm-5.2-coding-and-debugging-traces")

הרישיון

המאגר מופץ תחת רישיון CC BY 4.0 שמתיר שימוש מסחרי ומחקרי מלא, כולל אימון מודלים, שינוי הנתונים ושילובם במאגרים אחרים. הדרישה היחידה היא מתן קרדיט וייחוס למקור כפי שהוגדר בתיעוד. אין חובת שיתוף באותו רישיון עבור תוצרים או מודלים שתאמנו עליו.

• שימוש מסחרי
• שינוי הקוד
• חובת ייחוס

הרישיון המלא ב־Hugging Face ↗