@AtriaASI：我们感谢OpenBMB通过UltraData-SFT-Agent-2609支持Atria Dawn Preview。该数据集的高质量…

https://huggingface.co/datasets/openbmb/UltraData-SFT-Agent-2609#%F0%9F%8C%9F-dataset-characteristics🌟 数据集特性 - 完整轨迹：保留环境观察、工具调用与返回、错误、重试和最终提交——不仅限于用户指令和答案。 - 跨执行环境泛化：同类任务在不同执行环境、工具集和系统约束下进行采样。 - 轮次级掩码：低质量、冗余或格式错误的轮次可以从SFT损失中排除，而无需丢弃整个轨迹。 - 保留诊断性失败：部分超时、工具错误和恢复跟踪被保留（经脱敏处理）作为辅助监督，而非成功示范。 ## https://huggingface.co/datasets/openbmb/UltraData-SFT-Agent-2609#%F0%9F%8F%97%EF%B8%8F-data-construction-pipeline🏗️ 数据构建流程 数据集使用统一的流程进行任务生成和代理轨迹构建： 下图展示了数据构建过程的六个步骤：任务准备、任务重写与扩展、环境配置、跨执行环境采样、结果验证和轨迹组织。 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的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. 任务重写与扩展：任务经过结构化重写、难度分级和能力标注，以生成不同语言、不同任务链和不同交付格式的任务变体。 3. 环境配置：为每个任务提供初始环境、参考文件、工具集、权限范围和可执行的成功标准。 4. 跨执行环境采样：任务被放置在不同的代理执行环境以及真实或模拟环境中，教师模型完成多轮交互和工具调用，收集环境反馈和最终结果。 5. 结果验证：根据任务类型，通过程序测试、沙箱执行、文件可打开性检查、格式规则、数值检查、证据检查或模型审查来验证结果。 6. 轨迹组织：将任务指令、环境观察、助手行为、工具输入、工具返回、错误和最终提交组织成统一的消息序列。 ## https://huggingface.co/datasets/openbmb/UltraData-SFT-Agent-2609#%F0%9F%A7%B9-data-cleaning-and-quality-control🧹 数据清洗与质量控制 上述流程产生的候选轨迹必须通过以下检查才能进入发布版本。这些检查通过自动规则、执行验证和模型审查的组合实现，涵盖采样、验证和组织阶段。主要包括： - 格式验证：检查JSONL可解析性、消息角色、必需字段、工具调用格式和参数模式。 - 轨迹完整性检查：检查任务指令、助手工具调用、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、调用循环以及与任务无关的工具行为。 - 执行结果验证：通过沙箱执行、测试用例、文件产物、结构化规则、数值一致性或证据追溯来验证任务是否完成。 - 异常轨迹处理：对涉及超时、环境错误、工具故障、任务中断和错误恢复的轨迹进行过滤或应用归一化标签。 - 轮次级掩码：掩码低质量、冗余、重复、格式错误或其他不打算用于监督的交互轮次，以确保无效信号不会进入SFT损失。 - 重复与污染处理：执行样本去重、近重复检测、跨分集检查以及针对已知评估集的污染筛选。 - 隐私与安全处理：移除个人信息、账户、密钥、Cookie、内部路径和其他敏感字段，并标记或过滤危险操作、恶意代码和提示注入。 - 多阶段质量审查：结合基于规则的审查、执行结果审查、模型审查和人工抽查，优先处理目标明确、流程可执行且结果可验证的样本。 ## https://huggingface.co/datasets/openbmb/UltraData-SFT-Agent-2609#%F0%9F%93%A6-data-format📦 数据格式 每个JSONL行是一条轨迹。发布元数据使用五个字段：uuid、messages、tools、source和domain。工具调用、观察、推理和最终答案位于messages中。 json { "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": { "": { "type": "string", "title": "", "description": "" } }, "required": [""] } } } ], "source": "UltraData-SFT-Agent-2609", "domain": "General_Agent-Office_Agent" } 字段类型 | 描述

— | — uuid | 字符串 | 样本ID。 messages | 数组 | 按时间顺序排列的system/user/assistant/tool轮次。 tools | 数组 | 采样时提供的工具定义；训练时将其渲染到目标聊天模板中。 source | 字符串 | 数据来源。 domain | 字符串 | General_Agent-Claw_Agent、General_Agent-Office_Agent、Search_Agent-en、Search_Agent-zh、Search_Agent-plan、Tool_Use、Code_Agent之一。部分子集可能保留额外的来源特定字段；如果存在，请使用子集说明进行映射。

https://huggingface.co/datasets/openbmb/UltraData-SFT-Agent-2609#%F0%9F%9A%80-quick-start🚀 快速开始 python 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") 可用配置：Code-Agent、Search-Agent、General-Agent、Tool-Use。 ## https://huggingface.co/datasets/openbmb/UltraData-SFT-Agent-2609#%F0%9F%92%A1-intended-uses💡 预期用途 - 面向MiniCPM风格的设备端模型的代理SFT，可通过domain、工具调用密度和轨迹长度进行可选过滤。 - 定向切片：函数调用（Tool-Use）、搜索/多跳检索（Search-Agent）、软件工程代理（Code-Agent）、办公和技能工作流（General-Agent）。 - 训练错误恢复和结果验证，包括保留的失败/恢复跟踪。 - 代理数据与核心领域SFT（如UltraData-SFT-2605 (https://huggingface.co/datasets/openbmb/UltraData-SFT-2605)）的混合比例研究。 ## https://huggingface.co/datasets/openbmb/UltraData-SFT-Agent-2609#%E2%9A%A0%EF%B8%8F-notes-and-limitations⚠️ 注意事项与限制 - 仅静态轨迹：发布不包含环境、工具实现、测试或采样代码。无法在本地重放或重新接收轨迹。 - 渲染样本工具：tools字段在采样执行环境中是固定的，必须写入训练上下文；许多虚拟API在实际部署中不存在。 - 验证 ≠ 过程质量：通过环境的成功检查并不意味着每一步都正确或高效。保留的失败跟踪不是成功标签。 - 快照时效性：网页、检索命中、文件、依赖项和API在采样时是固定的。请勿将轨迹事实或版本视为最新。 - 去污染范围：筛选涵盖了构建时已知的评估集；引入新基准前请运行新的检查。 ## https://huggingface.co/datasets/openbmb/UltraData-SFT-Agent-2609#%F0%9F%93%9C-license-and-data-sources📜 许可证与数据来源 本项目在Apache 2.0 (https://huggingface.co/datasets/openbmb/UltraData-SFT-Agent-2609/tree/main/LICENSE)许可证下发布。数据集聚合了上游数据集、公共仓库、网络内容和模型生成的轨迹；用户还必须遵守每个上游许可证。Apache 2.0不覆盖这些条款。部分样本源自公开可访问的课程页面。公开访问不授予重新分发、商业使用或训练权。权利持有者可通过数据集页面上的联系渠道请求删除。数据集不应包含明文密钥或未经授权的个人数据。请通过同一渠道报告敏感内容或删除请求。 禁止未经授权的原样再分发：未经原始作者（或本组织）事先书面许可，任何机构、组织或第三方平台均严禁以任何形式直接转载、镜像、重新托管，或商业化重新打包和重新发布本项目的任何成果。 ## https://huggingface.co/datasets/openbmb/UltraData-SFT-Agent-2609#%F0%9F%93%96-citation📖 引用 如果您觉得UltraData-SFT-Agent-2609对您的研究有用，请考虑引用： bibtex @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}} } 上月下载量：13,932## 在openbmb/UltraData-SFT-Agent-2609上训练或微调的模型 ## 使用openbmb/UltraData-SFT-Agent-2609的Space ## 包含openbmb/UltraData-SFT-Agent-2609的合集 ## openbmb/UltraData-SFT-Agent-2609的论文