Glint-Research/Fable-5-traces

这是一个简单的数据集，包含了在Fable 5数据被移除前我们能够收集到的所有相关数据（目前尚不确定这些数据是否会恢复）。数据集主要由TeichAI团队提供的953条追踪数据以及作者添加的CoT（Chain of Thought）数据组成。预计很快将会有基于此数据集进行微调的模型发布。编辑说明：完整非摘要版本预计在1到2.5小时内可用。

A simple dataset containing all the Fable 5 data we could obtain before it was taken away (with no clarity on whether it will return). It includes 953 traces provided by the TeichAI team, along with CoT (Chain of Thought) data added by the author. Expect fine-tuned models trained on this data to be released soon. Edit: The full non-summarized version will be available in approximately 1 to 2.5 hours.

原始信息汇总

• 数据集名称：Fable-5-traces
• 维护者：Glint-Research（组织 GlintResearch）
• 下载量：上月 41 次
• 规模：1K - 10K 行，实际 4,665 行
• 总文件大小：69.8 MB
• 模态：文本
• 格式：json
• 支持的库：Datasets、pandas、Polars 等
• 许可证：agpl-3.0
• 数据集子集：default（唯一子集，4.67k 行）
• 数据拆分：仅 train 拆分（4.67k 行）
• 字段：
  • uid（字符串，长度 27-41）
  • source_file（字符串，60 个类别）
  • session（字符串，60 个类别）
  • model（字符串，1 个类别：claude-fable-5）
  • context（字符串，长度 8 - 7.02k）
  • cot（字符串，长度 350 - 9.15k）
  • output_type（字符串，2 个类别：tool_use 或 text）
  • output（未知类型）
  • completion（字符串，长度 552 - 73.6k）
  • origin（字符串，2 个类别：local）
• 数据内容示例：数据行包含用户与 Claude（claude-fable-5）的交互痕迹，涉及构建一款基于 WebGL2 的光线追踪 FPS 游戏（类 CS:GO），包含推理（<think> 块）、工具调用（Bash、Read、Write）及文本输出等。
• 数据集描述：本数据集收录了 Fable 5（一个已下架的 AI 项目）的全部可用交互痕迹数据。数据来源包括 TeichAI 团队提供的 953 条消息，以及贡献者自行添加的思维链（CoT）数据。期待后续将基于此数据集训练微调模型。

搜集汇总

数据集介绍

构建方式

Fable-5-traces数据集是在Fable 5数据被移除之前，由创作者竭尽全力收集而成的宝贵资源。该数据集融合了TeichAI团队贡献的953条trace数据，以及创作者个人添加的思维链（CoT）数据，共同构建了一个包含丰富推理过程与交互轨迹的数据集合。

特点

该数据集的核心特点在于其稀缺性与独特性：它不仅捕获了Fable 5环境中珍贵的交互痕迹，还通过引入思维链数据增强了模型的推理能力。数据集的构成兼具多样性与针对性，为后续模型微调提供了高质量的基准与训练素材。

使用方法

用户可通过HuggingFace平台直接加载该数据集，并基于其包含的trace与CoT数据对语言模型进行微调。推荐的使用场景包括训练具备复杂推理能力的对话系统或叙事生成模型，数据集的AGPL-3.0许可证确保了其在合规范围内的自由使用与二次开发。

背景与挑战

背景概述

Fable-5-traces数据集由TeichAI团队于近期构建，旨在收集并整理Fable 5平台在被下线前所遗留的推理痕迹数据。该数据集汇聚了953条交互轨迹及链式思维（CoT）数据，为探索复杂推理过程与模型微调提供了宝贵资源。Fable 5作为交互式推理平台，曾推动人机协作推理研究，而本数据集的创建不仅保留了这一领域的关键数据遗产，还通过公开共享促进了语言模型在推理能力上的深入挖掘，对提升模型在少样本学习与常识推理等任务中的表现具有重要参考价值。

当前挑战

该数据集面对的首要挑战是领域问题：如何利用有限的交互痕迹数据，有效训练模型模拟人类在开放式推理中的复杂决策过程，尤其在平台数据被移除后，数据稀缺性加剧了泛化难题。构建过程中的挑战在于，原始Fable 5数据获取极为困难，团队需从临时保存的零散来源中整合并清洗数据，确保轨迹完整性与CoT标注一致性。此外，数据量较小（仅953条）可能导致训练出的微调模型鲁棒性不足，需谨慎平衡过拟合风险与推理性能提升的需求。

常用场景

经典使用场景

Fable-5-traces数据集深度聚焦于策略推理与决策生成的细粒度建模，经典用于训练和评估具备复杂叙事理解能力的语言模型。该数据集囊括了游戏《Fable 5》中丰富的交互轨迹与思维链（Chain-of-Thought, CoT）数据，为研究者在文本生成、情节规划及多步推理任务中提供了高质量的监督信号。通过该数据集，模型可以学习如何在开放世界背景下生成连贯、逻辑自洽的响应，成为指令微调与强化学习阶段不可或缺的素材。

解决学术问题

在学术研究中，Fable-5-traces解决了叙事智能与结构化推理之间衔接不足的难题。传统数据集往往缺失与开放游戏环境相匹配的长期依赖和上下文记忆，而本数据集通过953条交互轨迹和扩展的CoT数据，推动了关于情境推理、行动计划生成及因果建模的研究。其对稀有事件和复杂分支逻辑的覆盖，使研究者得以更有效地探索模型在非确定性环境下的泛化能力，对理解语言模型如何模拟人类式探索与反思具有深远意义。

衍生相关工作

基于Fable-5-traces，已涌现出一系列经典工作，例如将其与强化学习结合以优化策略搜索空间，或通过其CoT数据增强大语言模型在游戏中的零样本推理能力。部分研究工作利用该数据集进行偏好对齐训练，使模型行为更贴近人类玩家风格；另一些则将其作为多模态推理的基座数据集，探索视觉与文本共同引导的决策机制。这些衍生工作共同丰富了叙事生成与交互式AI的理论和实践体系。