forgotten-lily-traces

Forgotten Lily — Gameplay Traces是一个从叙事解谜游戏《Forgotten Lily》中收集的匿名逐轮游戏交互轨迹数据集。该游戏是为Hugging Face的Build Small黑客松（主题：Thousand Token Wood）开发的。在游戏中，玩家扮演侦探，询问一位只能使用28个符号私人语言（称为音调）交流的女孩Lily。数据集捕获了每轮交互，包括玩家提出的问题、Lily回答时使用的音调（含ID和符号）以及这些音调含义的文本解释。本质上，这是一个由70亿参数模型在28个词汇的受限词汇表下生成的自然语言问题→受限符号回复→含义三元组的小型语料库。数据以JSONL格式存储，每条记录对应一轮交互，包含时间戳、匿名会话ID、轮次编号、故事章节、玩家问题文本、音调ID列表、符号字符串、含义解释文本、问题主题信号、审核分类和特殊脚本标记等字段。数据集规模较小（少于1000条），适用于研究小规模指令调优模型如何在极小的固定符号词汇表中选择以回答开放式自然语言问题，分析问题主题与角色选择的音调/情感之间的映射关系及其在三个故事章节中的变化，并作为隐私保护、角色内游戏日志记录的实践示例。数据收集通过服务器端日志记录玩家与在线Space的实时交互，Lily的回复由Qwen2.5-7B-Instruct模型生成，并受当前章节解锁的音调列表约束，再由确定性游戏引擎按固定语法排序。数据集已进行匿名化处理，不包含账户、个人数据、IP地址或精确时间戳，仅存储玩家问题文本（已进行有害内容过滤）。数据集遵循CC BY 4.0许可协议发布。Forgotten Lily — Gameplay Traces is a dataset of anonymous per-turn gameplay interaction traces collected from the narrative puzzle game Forgotten Lily. The game was developed for Hugging Faces Build Small hackathon (theme: Thousand Token Wood). In the game, players take on the role of a detective questioning a girl named Lily who can only communicate using a private language of 28 symbols (called tones), each carrying a fragment of meaning. The dataset captures each turns interaction: the players question, the tones (including IDs and symbols) used in Lilys response, and the textual explanation (gloss) of those tones meanings. Essentially, it is a small corpus of natural language question → restricted symbolic reply → meaning triples generated by a 7-billion-parameter model under a constrained vocabulary of 28 symbols. The data is stored in JSONL format, with each record corresponding to one turn of interaction, containing fields such as timestamp, anonymous session ID, turn number, story chapter, player question text, list of tone IDs in Lilys reply, corresponding symbol strings, meaning explanation text, question topic signal, moderation classification, and special script tags. The dataset is small (less than 1000 entries) and suitable for researching how small-scale instruction-tuned models can select from an extremely small fixed symbolic vocabulary to answer open-ended natural language questions, analyzing the mapping between question topics and the tones/emotions chosen by the character and their variation across three story chapters, and serving as a practical example of privacy-preserving, in-character game logging. Data collection involved server-side logging of real-time player interactions with an online Space, with Lilys responses generated by the Qwen2.5-7B-Instruct model, constrained by the list of tones unlocked in the current chapter, and then ordered by a deterministic game engine according to fixed grammar. The dataset has been anonymized, containing no accounts, personal data, IP addresses, or precise timestamps, and only stores player question text (filtered for harmful content) essential to the datasets core purpose. The dataset is released under the CC BY 4.0 license.

原始信息汇总

数据集概述：Forgotten Lily — Gameplay Traces

数据集地址：https://huggingface.co/datasets/build-small-hackathon/forgotten-lily-traces

数据集类型：游戏剧情交互轨迹数据集

许可证：CC BY 4.0

语言：英语（en）

标签：游戏、叙事、约束生成、对话、游戏轨迹

规模：小于 1000 条（n<1K）

配置：默认（default），训练集（train），数据文件路径为 data/*.jsonl

---

数据集来源与背景

该数据集来自 Forgotten Lily 游戏，这是一款为 Hugging Face Build Small 黑客松（Thousand Token Wood 主题）构建的叙事解谜游戏。玩家扮演侦探，审问一位只能通过“音调”（tones）这种由 28 个符号组成的私人语言进行表达的女孩莉莉。数据集记录了每一轮交互：玩家提出的问题、莉莉回答的音调（ID 和符号）以及这些音调的释义。

---

数据采集方式

• 数据通过游戏服务器端实时记录玩家交互，每轮交互对应一行。
• 莉莉的回答由 Qwen2.5-7B-Instruct（GGUF Q4_K_M 量化模型）在约束条件下生成，模型只能从当前剧情幕（act）已解锁的音调池中选择。
• 一个确定性游戏引擎将所选音调按固定语法排序。
• 数据定期批量提交到该仓库。

---

隐私与匿名化

• 无账户、无个人数据：无需登录，session 字段是随机服务器生成 UUID 的截断单向哈希，仅用于标识同一会话内的轮次，无法追踪到个人。
• 玩家问题文本被存储：因为这是数据集的核心（问题 → 音调回复）。游戏启动界面已告知玩家匿名游戏轨迹可能被记录并公开。问题文本限制 280 字符，有害输入会被过滤并在字段中标记为 harmful。
• 不存储 IP 地址、精确时间戳（仅粗粒度 Unix 秒）或设备信息。
• 若发现某行包含不应公开的内容，可通过仓库讨论区请求删除。

---

数据模式（Schema）

每条记录为一个 JSON 对象，存储于 data/turns.jsonl，包含以下字段：

字段名	类型	描述
ts	int	该轮次的 Unix 时间戳（秒）
session	string	匿名 12 字符哈希，标识同一会话内的轮次
turn	int	会话内的轮次编号
act	int (1–3)	剧情幕：1 见面 · 2 回忆 · 3 放手
question	string	侦探（玩家）的台词，不超过 280 字符
tone_ids	list[string]	莉莉回答的音调 ID，按阅读顺序排列（例如 ["self_i","self_feel","music"]）
glyphs	string	音调对应的符号，以空格连接（例如 ◈ ◉ ♪）
gloss	string	音调的普通语言释义，以 · 连接（例如 I · feel · music）
topic_signal	string	null
moderation	string	输入分类：normal（正常）、harmful（有害）、special（脚本化编排）
special	string	null

示例：

json {"ts": 1749600000, "session": "a1b2c3d4e5f6", "turn": 3, "act": 1, "question": "do you like music?", "tone_ids": ["self_i", "self_feel", "music"], "glyphs": "◈ ◉ ♪", "gloss": "I · feel · music", "topic_signal": "music", "moderation": "normal", "special": null}

---

预期用途

• 研究小型指令微调模型如何从固定的小型符号词汇中选择回答开放的自然语言问题。
• 分析问题主题与角色选择的音调/情感之间的映射关系，以及这种关系在三个剧情幕中的变化。
• 作为隐私保护、角色内游戏轨迹记录的实际案例。

---

局限性

• 规模小且为观察性数据：数据样本来自玩家自然游玩过程，未经平衡或精心筛选。
• 释义（gloss）为设计含义而非玩家解读：玩家需要在游戏中自行解码音调的含义，该释义未记录玩家实际理解。
• 音调分布受游戏设计约束：包括剧情幕门控、每轮音调上限、以及保证覆盖机制（偶尔会展示未见过的音调用于教学），因此音调分布不仅反映模型自由选择，也受游戏设计影响。

搜集汇总

数据集介绍

构建方式

Forgotten Lily — Gameplay Traces数据集的构建源于一款名为Forgotten Lily的叙事解谜游戏。在游戏过程中，玩家扮演侦探角色向无法言语的女孩Lily提问，Lily的回答由Qwen2.5-7B-Instruct模型（采用GGUF Q4_K_M量化版本）在限定词汇表内生成，并经由确定性游戏引擎将所选符号按固定语法规则排列。每一轮交互的完整记录——包括玩家问题、Lily回答的符号标识及含义——均在服务器端记录并定期批量提交至该存储库。数据集以JSON Lines格式存储，每个游戏回合对应一个JSON对象。

特点

该数据集的核心特征在于其独特的约束生成范式：它收录了自然语言问题到受限符号化回答再到含义解释的三元组，其中Lily的词汇被限制为仅28个带有特定含义的符号（称为tone），且每个游戏幕中只有部分符号可用。数据集的隐私保护设计尤为突出，所有会话通过随机服务器生成的UUID的单向哈希值标识，不存储任何个人信息或IP地址，有害输入会被标记但不会完全移除。此外，数据集按游戏幕（相遇、回忆、放手）划分，展现了符号选择随剧情发展的动态变化。

使用方法

使用该数据集时，研究者可直接从data目录下的JSONL文件中读取每个回合的结构化记录，字段包含时间戳、匿名会话标识、回合号、游戏幕别、玩家问题文本、Lily回答的符号ID列表及其字形和含义注释。该数据集适用于分析小型指令微调模型如何从极小的固定符号词汇表中选取内容来回答开放式自然语言问题，可探究问题主题与角色所选情绪符号之间的映射关系及其在三个游戏幕中的演变。同时，它也为游戏内隐私保护型行为日志记录提供了一个实践范例。

背景与挑战

背景概述

Forgotten Lily — Gameplay Traces数据集诞生于Hugging Face“Build Small”黑客马拉松，由匿名研究者基于叙述性解谜游戏《Forgotten Lily》构建。该数据集聚焦于自然语言提问与受限符号化回应之间的映射关系，旨在探索小型指令微调模型在极简词汇表（28个音调符号）下的语义生成能力。其核心研究问题围绕约束生成、人机对话中的意义传递以及隐私保护的游戏内日志记录展开。通过捕获玩家提问、Lily的符号化回答及其语义注释，该数据集为研究自然语言与符号系统的交互提供了独特视角，对游戏叙事设计、对话系统及私密数据收集实践具有启发意义。

当前挑战

数据集面临的首要领域挑战是在极低词汇量（28个音调）下实现语义充分表达，模型需平衡约束生成与可理解性，避免符号序列的歧义或崩溃。构建过程中，数据采集受限于游戏设计——音调分布受剧情阶段门控、每回合上限及教学机制影响，导致数据非均衡且非自由选择，反映的是游戏机制而非模型自主性。此外，玩家文本可能包含有害输入，需经内容过滤与隐私去标识化处理，但玩家问题文本的存储仍可能无意中暴露敏感信息，需持续审查以符合伦理规范。数据集规模小（<1K条）、观测性而非实验性，限制了结论的泛化能力。

常用场景

经典使用场景

Forgotten Lily - Gameplay Traces 数据集捕捉了玩家与叙事解谜游戏《Forgotten Lily》交互过程中产生的自然语言问题到约束性符号回复的映射轨迹。该数据集的独特之处在于，游戏角色Lily仅能使用由28个符号构成的私人语言“音调（tones）”进行回应，而玩家的问题则是不受限制的自由文本。这一设计使其成为研究**约束式符号生成与自然语言问答耦合机制**的理想样本，特别适用于分析小规模指令微调模型（如Qwen2.5-7B）如何在仅有28个词汇的极受限词汇表中，通过有序选择并组合符号来回应开放式问题。数据集按游戏幕次（Act 1-3）组织，记录了问题主题信号、音调ID、字形及其释义，为探索符号语义分配、主题-符号关联以及跨幕次对话演变提供了结构化、可量化的实验依据。

实际应用

在实际应用中，Forgotten Lily Traces 可直接服务于**具有符号化沟通界面的交互式叙事系统**的设计与优化。游戏开发者可借助该数据集训练或评估AI角色在应对玩家自由提问时，如何从一套预设的有限符号中做出合理选择，从而营造出一个既真实又受约束的“异世界语言”氛围。该数据集也可作为**教育游戏和语言学习工具**的底层数据底座，帮助构建理解学生通过简化符号表达复杂概念的对话系统。在更广泛的**用户界面（UI）无障碍设计**中，数据集中的话题信号与音调映射关系可启发面向语言障碍人士的图片或符号辅助沟通系统的开发，为AI-driven可替代沟通（AAC）设备提供语义映射的参考范式。此外，数据集的轻量化和开源特性使其易于集成进演示原型和学术测评基准中，成为快速验证符号推理算法的标准测试床。

衍生相关工作

基于Forgotten Lily Traces这一独特资源，研究者已开始探索多个衍生方向。在**约束式语言生成**领域，出现了利用该数据集分析模型如何在符号选择和序列排序中权衡语义覆盖与语法规则的经典工作，揭示了不同幕次下话题信号对音调分布的显著影响。在**人机交互与游戏研究**交叉领域，学者们借助此数据集中玩家问题的主题分布与Lily回复的释义对应关系，构建了衡量玩家对角色个性感知的计算模型。此外，该数据集为**多模态符号主义与联结主义融合**提供了桥梁：部分工作将其作为基准，对比基于语法的符号组合模型与基于神经网络的隐式编码模型在处理极小词汇表对话时的表现差异。在隐私与伦理方面，该数据集的匿名化设计范式被引用为游戏环境下用户数据采集的伦理指南，催生了多项关于如何平衡数据价值与隐私保护的后续方法论研究。