OpenThoughts-Agent-SFT-100K
קוד פתוחopen-thoughtsapache-2.02026-06-08
מאגר שמכיל מאה אלף מסלולי ריצה של סוכנים לפתרון משימות קוד ומערכת. הוא מיועד למי שרוצה לאמן מודל שפועל בסביבת עבודה ומריץ פקודות ולא רק פולט תשובות טקסט קצרות.
- 1,173הורדות בחודש
- 23לייקים
מה זה
המאגר מרכז 100,000 זוגות של משימות ומסלולי פעולה מלאים של סוכן, שנבנו כדי לאמן מודלים לפעול באופן עצמאי. המשימות עצמן נלקחו מארבעה מקורות שונים: SWE-Smith, SuperUser של StackExchange, משימות מ־Tezos שעברו הרחבה סינתטית, ומאגר IssueTasks. הדגש הוא על בעיות פיתוח תוכנה, פתרון תקלות מערכת ואינטראקציה טכנית רב שלבית.
המסלולים נוצרו בפועל על ידי המודל GLM-4.7-AWQ שתפקד כמורה בתוך סביבות Daytona דרך מערכת terminus-2. הסינון המרכזי שבוצע שמר רק מסלולים ארוכים יחסית, עם לפחות חמישה תורות של המודל, כדי להבטיח התמודדות עם תהליכים מורכבים. כל רשומה כוללת את תיאור המשימה המקורי, את היסטוריית השיחה המלאה בתורות, מקור המשימה ומטא דאטה על הריצה והמודל המייצר.
מתאים ל
- אימון סוכני קוד
כוונון עדין של מודלי שפה לביצוע פעולות רב שלביות בסביבות פיתוח ומסוף.
- הערכת ביצועי סוכנים
בדיקת יכולת המודל לתכנן צעדים מול מסלולי ריצה ארוכים של לפחות חמישה שלבים.
- ניתוח התנהגות מודל מורה
חקר דפוסי הפעולה וההחלטות של GLM-4.7 בפתרון באגים ומשימות מערכת.
איפה זה נופל
כל התוכן מבוסס על השפה האנגלית בלבד, ואין כאן ייצוג לעברית או למשימות מקומיות. כל המסלולים נוצרו על ידי מודל בודד, GLM-4.7-AWQ, כך שכל הטיה מובנית, שגיאות היגיון או סגנון פעולה ייחודי שלו נכנסו ישירות לנתונים. הדאטה מתמקד בעולמות קוד, סביבות פיתוח ואירוחי שרתים, ולכן אינו מתאים למי שמחפש סוכן כללי למשימות משרדיות או שיחה רגילה. כדאי לבדוק מדגמית את איכות הפתרונות בשדה conversations לפני אימון מלא, כי הסינון דרש אורך מינימלי אך לא מפרט בדיקות נכונות ידניות.
אותה משפחה
OpenThoughts-Agent יצא ב־3 גרסאות שיש להן עמוד כאן. אלה האחרות, לפי כמה מורידים אותן.
שאלות
נפוצות
האם מותר להשתמש בדאטהסט לפיתוח מוצר מסחרי?
כן. הרישיון הוא Apache 2.0, שמאפשר שימוש מסחרי מלא, כולל אימון מודלים מסחריים והפצתם, כל עוד שומרים על תנאי הייחוס של הרישיון.
האם יש בדאטהסט תוכן בעברית?
לא. המאגר מוגדר רשמית באנגלית בלבד. המשימות, הדיאלוגים ופקודות הסוכן כתובים כולם באנגלית ומיועדים לסביבות קוד בינלאומיות.
איך נאספו ונוצרו הנתונים בפועל?
המשימות לוקטו מארבעה מקורות טכניים, ביניהם SWE-Smith ו־StackExchange. לאחר מכן המודל GLM-4.7-AWQ ייצר את מסלולי הפתרון בתוך ארגזי חול של Daytona, ורק ריצות שכללו חמישה שלבים ומעלה נשמרו.
באיזה פורמט הקבצים מגיעים ואיך ניגשים אליהם?
המאגר מורכב מעשרה קבצי Parquet שמכילים יחד 100,000 שורות. הגישה חופשית לגמרי דרך Hugging Face ללא צורך ברישום מוקדם או אישור.
איך טוענים
הנתונים מחולקים לעשרה קבצי Parquet תחת תיקיית data, בתוך מאגר פתוח לחלוטין ללא צורך בבקשת גישה או אישור מיוחד. טעינה סטנדרטית בספריית datasets תמשוך את כל הקבצים ישירות. השדות המרכזיים לעבודה הם task שמכיל את הגדרת הבעיה ו־conversations שמחזיק את היסטוריית הצעדים של הסוכן. שאר השדות כמו trace_source, result או model משמשים בעיקר לסינון פנימי ולמעקב אם רוצים לבודד מקור משימה ספציפי.
from datasets import load_dataset
ds = load_dataset("open-thoughts/OpenThoughts-Agent-SFT-100K")הרישיון
הרישיון הוא Apache 2.0. הוא מתיר שימוש מסחרי ומחקר ללא תשלום, ומאפשר לשנות את הנתונים ולאמן עליהם מודלים לכל מטרה. אין חובה לשתף את המודל המאומן או את הנגזרות תחת אותו רישיון, אך יש לשמור על הקרדיט והודעת הרישיון המקורית בהפצת הדאטה עצמו.
- שימוש מסחרי
- שינוי הקוד
- הפצה מחדש
- שימוש בפטנטים