genoptics-lensbench-traj

GenOptics LensBench Trajectories 是一个用于监督微调（SFT）的高质量光学设计智能体轨迹数据集，基于 LensBench 平台和 qwen3-8b-zemax-v2-lensbench 模型。该数据集旨在支持文本生成和强化学习任务，专注于光学设计领域，特别是与 Zemax 工具和 LensBench 工具调用相关的应用。数据内容包括智能体在光学设计过程中的对话轨迹、运行元数据以及最终的 Zemax 设计文件（.zmx 格式）。数据集按版本组织（如 v0.2-smoke、v0.3-easy），每个版本包含 bundle_meta.json（元数据）、TOOL_CONTRACT.md（工具规范）、conversations.jsonl（对话数据）、运行记录文件夹（含 conversation.jsonl、run_meta.json 和 final.zmx）以及验证报告。数据收集和验证流程参考外部 GitHub 仓库和协作文档。该数据集适用于训练或评估光学设计智能体，促进自动化光学系统设计的研究与开发。GenOptics LensBench Trajectories is a high-quality optical design agent trajectory dataset for supervised fine-tuning (SFT), based on the LensBench platform and the qwen3-8b-zemax-v2-lensbench model. The dataset aims to support text generation and reinforcement learning tasks, focusing on the optical design domain, particularly applications related to Zemax tools and LensBench tool calls. The data content includes agent dialogue trajectories during the optical design process, run metadata, and final Zemax design files (.zmx format). The dataset is organized by version (e.g., v0.2-smoke, v0.3-easy), with each version containing bundle_meta.json (metadata), TOOL_CONTRACT.md (tool specifications), conversations.jsonl (dialogue data), a run records folder (including conversation.jsonl, run_meta.json, and final.zmx), and validation reports. The data collection and validation processes reference external GitHub repositories and collaborative documents. The dataset is suitable for training or evaluating optical design agents, promoting research and development in automated optical system design.

原始信息汇总

• 数据集名称：GenOptics LensBench Trajectories
• 许可证：CC-BY-4.0
• 任务类别：文本生成、强化学习
• 标签：光学、Zemax、工具调用、LensBench、SFT
• 数据集描述：高质量光学设计智能体轨迹数据集，适用于监督微调（SFT），由强API教师模型生成（非旧版Main SFT-v1 8B）。
• 工具命名规范：遵循LensBench的TOOL_CONTRACT.md（不使用Main版本的get_system或open_file）。
• 数据版本：包含v0.2-smoke、v0.3-easy等版本文件夹，每个文件夹内包含bundle_meta.json。
• 目录结构：
  • 每个版本文件夹（如v0.2-smoke）包含：
    • bundle_meta.json
    • TOOL_CONTRACT.md
    • data/conversations.jsonl
    • runs/<spec>__trialN/ 子目录（包含conversation.jsonl、run_meta.json、final.zmx）
    • validate_report.json
• 数据收集与验证：相关代码位于GitHub仓库：https://github.com/Huweijian/LensBench（参见basic_workflow_for_data），文档详见docs/COLLAB_RUNBOOK.md。

搜集汇总

数据集介绍

构建方式

该数据集源自LensBench光学设计基准测试，通过调用强API教师模型（非早期SFT-v1 8B版本）生成高质量的光学设计智能体轨迹。构建过程严格遵循LensBench协议中的工具调用规范，涵盖从简单到复杂的多种设计场景。数据按版本目录组织，每个版本均包含元数据文件、工具合约定义、对话记录及Zemax设计文件，确保轨迹数据的完整性与可复现性。

特点

数据集以多版本结构呈现，标注了从v0.2-smoke到v0.3-easy等不同难度等级，便于分阶段训练。每条轨迹均包含完整的工具调用链、设计参数与环境反馈，适用于监督微调和强化学习任务。数据经过严格验证，提供验证报告，确保了轨迹的准确性与可行性。

使用方法

用户可通过加载指定版本的`data/conversations.jsonl`文件获取对话轨迹，将其作为标准监督微调样本输入。每个运行目录下的`conversation.jsonl`与`final.zmx`可用于分析完整设计流程。配合LensBench环境，可直接复现轨迹并评估智能体表现，适用于光学设计自动化研究。

背景与挑战

背景概述

光学透镜设计是精密仪器制造与成像系统优化的核心环节，其传统流程依赖于专家经验与反复的数值迭代，效率与可复现性面临严峻挑战。genoptics-lensbench-traj数据集由Huweijian研究团队创建于近期，旨在通过强化学习与文本生成范式，将光学设计智能体（如Qwen3-8B-Zemax-v2）的专家级设计轨迹转化为结构化训练数据。该数据集基于LensBench框架，聚焦于 Zemax 光学设计软件的工具调用序列，记录了从初始参数配置到最终透镜系统（final.zmx）生成的完整决策路径，为光学设计领域的自动化与智能化提供了高价值基准，显著推动了AI辅助工程设计的跨学科发展。

当前挑战

该数据集面临的核心挑战包括：其一，光学设计领域问题本身的复杂性，即透镜系统需同时满足像差校正、制造公差与成本等多维约束，传统规则难以覆盖所有设计场景，亟需智能体具备长程推理与物理仿真交互能力。其二，数据集构建过程中，需解决高质量教师模型（strong API）轨迹的精准采集与标准化问题，确保工具调用遵循LensBench协议（TOOL_CONTRACT.md），并消除早期版本（如Main SFT-v1 8B）中存在的协议冲突。其三，轨迹数据的验证与泛化难度大，需通过validate_report.json对设计结果（final.zmx）进行物理仿真验证，同时平衡不同难度等级（v0.2-smoke、v0.3-easy）下的数据多样性与模型迁移能力。

常用场景

经典使用场景

在光学设计这一精密工程领域，透镜系统的自动优化长期依赖专家经验与反复迭代。genoptics-lensbench-traj数据集专门为强化学习与监督微调范式下的光学设计智能体训练而构建，其核心使用场景是作为大规模、高质量的光学设计轨迹语料库，支撑语言模型（如Qwen3-8B）学习从初始结构到最终方案的完整Zemax操作序列。每一段轨迹都封装了调焦、像差校正、评价函数调整等专业操作，使模型能够模仿资深光学工程师的决策路径，进而掌握工具调用与设计逻辑间的深层映射关系。

实际应用

在实际工业场景中，该数据集驱动的智能体可直接部署于Zemax OpticStudio等专业软件环境，辅助光学工程师完成从手机镜头到显微物镜的初始设计快速生成。系统能够根据规格书自动执行镜片选型、曲率半径优化、玻璃材料匹配等繁琐任务，将数小时的人工调校压缩至分钟级。尤其在高通量筛选阶段，数据集训练的模型可并行探索数百种初始结构变体，为渐晕控制、色差平衡等工程约束提供可行性建议，显著降低研发试错成本。此外，其工具调用契约设计支持扩展至其他光学仿真平台，具备跨软件生态的迁移潜力。

衍生相关工作

围绕该数据集已衍生出多项标志性学术工作：项目方基于此轨迹数据发布了Qwen3-8B-Zemax-v2系列专精模型，首次在语言模型上实现了端到端的光学设计工具调用；配套的LensBench基准测试（包含v0.2-smoke至v0.3-easy等多个难度层级）为评估智能体的设计成功率与效率提供了标准化协议。研究社区进而发展了包含蒙特卡洛树搜索的轨迹优化方法、基于过程奖励建模的细粒度反馈算法，以及跨任务迁移学习框架，这些工作共同构成了从单轨迹克隆到自主探索的演进路线，极大促进了AI辅助工程技术在精密光学领域的落地。