ituperceptron/turkish-tool-calling

该数据集是Mustafaege/qwen3.5-toolcalling-v2数据集的土耳其语翻译子集，包含14,225行数据（13,514行训练数据，711行测试数据）。数据集中的列包括“messages”，这是一个由每个对话的{“role”, “content”}字典组成的列表，角色包括system、user、assistant和answer。在翻译过程中，自然语言（如用户查询、助手响应、思考推理、工具描述和系统指令）被翻译成土耳其语，而技术结构（如函数名称、JSON键、<tool_call>参数、<tool_response>输出、代码和XML标签）则保留其原始英文形式。翻译使用了GPT-5.4-mini模型，并验证了结构完整性（有效的JSON tool_call、平衡的XML标签），过滤了损坏的行。This dataset is a translated subset of the Mustafaege/qwen3.5-toolcalling-v2 dataset. The translated dataset consists of 14,225 rows (13,514 train / 711 test). The column in the dataset is explained below: messages: A list of {"role", "content"} dictionaries for each conversation. Roles: system, user, assistant, answer. During translation, natural language (user queries, assistant responses, reasoning, tool descriptions, system instructions) was translated into Turkish, while the technical structure (function names, JSON keys, <tool_call> arguments, <tool_response> outputs, code, and XML tags) was preserved in its original English form. The GPT-5.4-mini model was used for translation. The source responses were taken from the Mustafaege/qwen3.5-toolcalling-v2 dataset. Structural integrity (valid JSON tool_calls, balanced XML tags) was verified, and malformed rows were filtered out.

原始信息汇总

数据集概述：Turkish Tool-Calling Dataset

• 数据集名称：turkish-tool-calling
• 任务类型：文本生成
• 语言：土耳其语
• 标签：tool-calling, function-calling, agentic, turkish
• 许可证：Apache-2.0
• 数据集大小：10K - 100K 行
• 文件格式：Parquet

数据集详情

该数据集是基于 Mustafaege/qwen3.5-toolcalling-v2 数据集构建的土耳其语子集，专注于工具调用（tool-calling）场景。数据集的翻译策略为：自然语言部分（如用户问题、助手回答、系统指令、<think> 推理等）被翻译为土耳其语，而技术结构部分（如函数名、JSON 键、<tool_call> 参数、<tool_response> 输出、代码和 XML 标签）则保留原始英文形式。

• 总行数：37,512 行
• 数据划分：
  • 训练集：35,636 行
  • 测试集：1,876 行
• 列信息：
  • messages：每条对话记录是一个包含 {"role", "content"} 字典的列表，支持的角色包括 system、user、assistant、answer。
• 数据质量：验证了 JSON tool_call 结构的有效性和 XML 标签的平衡性，并过滤了格式有问题的行。

使用方式

数据集可通过 datasets 库加载并转换为 Pandas DataFrame 使用。

示例代码： python import pandas as pd from datasets import load_dataset

ds = load_dataset("ituperceptron/turkish-tool-calling") df = pd.DataFrame(ds["train"]) print(df.head())

贡献者

该数据集由伊斯坦布尔技术大学（Istanbul Technical University）的 ITU Perceptron 团队开发。联系邮箱：[e-mail]

搜集汇总

数据集介绍

构建方式

该数据集源自对英文工具调用数据集 Mustafaege/qwen3.5-toolcalling-v2 的精心翻译与重构，专注于构建土耳其语语境下的工具调用任务。在构建过程中，研究者运用 GPT-5.4-mini 模型，将自然语言部分——包括用户查询、助手回复、推理过程、工具描述及系统指令——悉数转化为土耳其语；而技术性结构，如函数名称、JSON 键值、工具调用与响应的参数、代码及 XML 标签，则被审慎保留为原始英文形式，以维护底层逻辑的严谨与兼容。全量数据集包含 14,225 条对话记录，其中训练集 13,514 条、测试集 711 条，且历经严格的结构完整性校验——无效的 JSON 工具调用与不平衡的 XML 标签被悉数剔除，确保每一行数据都具备语义与语法上的双重规范性。

特点

该数据集的核心特征在于其独特的双语混合架构，巧妙弥合了自然语言理解与技术结构执行之间的鸿沟。在土耳其语这一低资源语言中，它首次提供了大规模、高质量的生成式工具调用范例，使模型能够领会用户以母语表达的意图，同时精准操纵英文命名的函数接口。每条样本以 messages 字段存储完整的多轮对话，角色涵盖 system、user、assistant 与 answer，为智能体系统的多步骤推理与工具协同提供了丰富的训练素材。此外，保留的推理标记与工具响应片段，进一步赋予数据集训练模型内化反思与反馈循环的能力。

使用方法

用户可借助 Hugging Face Datasets 库便捷调用该资源：以 load_dataset("ituperceptron/turkish-tool-calling") 命令即可获取完整的数据集对象，它将自动分割为训练集与测试集。加载后，每条对话数据可从 messages 列中提取，其结构为 OpenAI 兼容的角色-内容字典列表，便于直接馈入主流的 transformers 或 LLM 微调框架。研究者亦可将其转换为 Pandas DataFrame 进行预览与自定义预处理。该数据集特别适用于土耳其语智能体系统的指令微调、上下文工具选择与多轮规划能力的训练，也可作为跨语言泛化研究的基准测试集。

背景与挑战

背景概述

在自然语言处理与人工智能的交汇领域，工具调用（tool calling）已成为构建智能代理系统的核心技术之一。该数据集由伊斯坦布尔技术大学（İstanbul Teknik Üniversitesi）的ITU Perceptron团队于2025年创建，旨在填补土耳其语在工具调用方向的数据空白。研究团队从已有的英文工具调用数据集（Mustafaege/qwen3.5-toolcalling-v2）中选取内容，借助GPT-5.4-mini模型进行翻译与清洗，最终构建出包含14,225条高质量对话样本的土耳其语工具调用数据集。该数据集以messages列为核心，涵盖system、user、assistant及answer四种角色，并通过严格的JSON和XML结构验证确保数据完整性。其发布不仅为土耳其语自然语言理解提供了关键资源，也促进了多语言智能代理系统的发展，对低资源语言在函数调用和交互式AI研究中具有里程碑式的推动作用。

当前挑战

该数据集所面临的挑战主要源于领域问题的复杂性和构建过程的技术难点。一方面，工具调用本身要求模型准确理解函数参数、返回格式及多步交互逻辑，而土耳其语作为一种低资源语言，缺乏现成的高质量语料库来支撑此类结构化任务的训练，模型在语义理解与函数映射之间需达成精确平衡。另一方面，在构建过程中，从源数据集选择到翻译、清洗和验证的每一个环节都存在显著挑战：翻译任务需严格区分自然语言与技术结构，避免JSON键名、XML标签及代码块被误译；同时，需对14,225条对话逐一验证工具调用参数的合法性、JSON格式的正确性以及XML标签的平衡性，并剔除所有损坏行。这些精细的过滤与校对工作，不仅要求自动化工具的高可靠性，也耗费大量人工复核精力，是确保数据集质量的关键难点。

常用场景

经典使用场景

在自然语言处理与智能代理系统的交汇领域，turkish-tool-calling数据集专为土耳其语工具调用任务而设计。其最经典的使用场景聚焦于训练大语言模型理解并执行结构化的函数调用，即模型需根据用户以土耳其语提出的自然语言请求，精准生成对应的工具调用指令（如JSON格式的tool_call参数）。该数据集包含约1.4万条对话样本，每条样本以messages列存储，涵盖系统指令、用户问题、助手推理过程及最终应答，为模型学习如何将土耳其语意图映射到预定义工具接口提供了高质量的监督信号。研究者常利用该数据集微调预训练语言模型，使其具备在土耳其语环境下自主调用API、数据库查询或外部服务的能力，从而推动多语言工具调用技术的发展。

解决学术问题

该数据集有效填补了非英语语言在工具调用研究领域的空白，其核心学术贡献在于解决了土耳其语大模型缺乏结构化调用训练数据的困境。传统工具调用数据集几乎完全集中于英语，导致其他语言的模型在需要与外部工具交互的智能体任务中表现乏力。通过系统性地将英文工具调用对话翻译为土耳其语，并严格保留函数名、JSON键值等关键技术结构，数据集为学术社区提供了首个大规模、高质量的土耳其语工具调用基准。研究者可借此探讨跨语言工具泛化、多语言智能体推理、以及语言特异性对函数调用准确率的影响等前沿问题。这一工作的意义在于打破了语言壁垒，促进了非英语国家在对话式AI、自动化工作流和任务导向型智能体研究领域的深入发展。

衍生相关工作

turkish-tool-calling作为翻译子集，衍生自Mustafaege/qwen3.5-toolcalling-v2数据集，其构建方法论启发了后续一系列跨语言工具调用资源的工作。受其影响，研究者开始探索将类似翻译策略应用于阿拉伯语、波斯语等其他低资源语言，形成多语言工具调用基准族，例如后续出现的AR-toolbench和FA-toolset等数据集。同时，该数据集也被用于微调多种土耳其语大模型（如Trendyol LLM、TURNA），催生了针对土耳其语对话代理的专用优化版本。在技术层面，其采用的“保留技术结构、翻译自然语言”的混合策略，成为处理多语言结构化数据时广泛引用的范式，并推动了关于翻译质量对下游工具调用性能影响的系统性评估研究。