camel-ai/biology

--- license: cc-by-nc-4.0 language: - en tags: - instruction-finetuning pretty_name: CAMEL Biology task_categories: - text-generation arxiv: 2303.17760 extra_gated_prompt: "By using this data, you acknowledge and agree to utilize it solely for research purposes, recognizing that the dataset may contain inaccuracies due to its artificial generation through ChatGPT." extra_gated_fields: Name: text Email: text I will adhere to the terms and conditions of this dataset: checkbox --- # **CAMEL: Communicative Agents for “Mind” Exploration of Large Scale Language Model Society** - **Github:** https://github.com/lightaime/camel - **Website:** https://www.camel-ai.org/ - **Arxiv Paper:** https://arxiv.org/abs/2303.17760 ## Dataset Summary Biology dataset is composed of 20K problem-solution pairs obtained using gpt-4. The dataset problem-solutions pairs generating from 25 biology topics, 25 subtopics for each topic and 32 problems for each "topic,subtopic" pairs. We provide the data in `biology.zip`. ## Data Fields **The data fields for files in `biology.zip` are as follows:** * `role_1`: assistant role * `topic`: biology topic * `sub_topic`: biology subtopic belonging to topic * `message_1`: refers to the problem the assistant is asked to solve. * `message_2`: refers to the solution provided by the assistant. **Download in python** ``` from huggingface_hub import hf_hub_download hf_hub_download(repo_id="camel-ai/biology", repo_type="dataset", filename="biology.zip", local_dir="datasets/", local_dir_use_symlinks=False) ``` ### Citation ``` @misc{li2023camel, title={CAMEL: Communicative Agents for "Mind" Exploration of Large Scale Language Model Society}, author={Guohao Li and Hasan Abed Al Kader Hammoud and Hani Itani and Dmitrii Khizbullin and Bernard Ghanem}, year={2023}, eprint={2303.17760}, archivePrefix={arXiv}, primaryClass={cs.AI} } ``` ## Disclaimer: This data was synthetically generated by GPT4 and might contain incorrect information. The dataset is there only for research purposes. --- license: cc-by-nc-4.0 ---license: 知识共享署名-非商业性使用4.0协议（CC BY-NC 4.0） language: - 英语 tags: - 指令微调（instruction-finetuning） pretty_name: CAMEL Biology task_categories: - 文本生成（text-generation） arxiv: 2303.17760 extra_gated_prompt: "使用本数据集即表示您承认并同意仅将其用于研究目的，并知晓该数据集因通过ChatGPT人工生成，可能存在不准确之处。" extra_gated_fields: Name: 文本输入框 Email: 文本输入框 "我将遵守本数据集的条款与条件": 复选框 # **CAMEL：面向大规模语言模型社群思维探索的通信智能体（Communicative Agents for "Mind" Exploration of Large Scale Language Model Society）** - **GitHub 仓库：** https://github.com/lightaime/camel - **官方网站：** https://www.camel-ai.org/ - **ArXiv 论文：** https://arxiv.org/abs/2303.17760 ## 数据集概览 本生物学数据集包含20000条由GPT-4生成的问题-解决方案对。该数据集的问题-解决方案对源自25个生物学主题，每个主题下设25个子主题，且每个“主题-子主题”组合对应32个问题。我们将数据打包为`biology.zip`以供下载。 ## 数据字段 **`biology.zip`内文件的数据字段如下：** * `role_1`: 助手角色 * `topic`: 生物学主题 * `sub_topic`: 隶属于该主题的生物学子主题 * `message_1`: 指代要求助手解决的问题 * `message_2`: 指代助手提供的解决方案 **Python 下载方式** python from huggingface_hub import hf_hub_download hf_hub_download(repo_id="camel-ai/biology", repo_type="dataset", filename="biology.zip", local_dir="datasets/", local_dir_use_symlinks=False) ### 引用格式 @misc{li2023camel, title={CAMEL：面向大规模语言模型社群思维探索的通信智能体}, author={Guohao Li and Hasan Abed Al Kader Hammoud and Hani Itani and Dmitrii Khizbullin and Bernard Ghanem}, year={2023}, eprint={2303.17760}, archivePrefix={arXiv}, primaryClass={cs.AI} } ## 免责声明: 本数据集由GPT-4人工合成生成，可能包含错误信息。本数据集仅可用于研究用途。 --- license: 知识共享署名-非商业性使用4.0协议（CC BY-NC 4.0） ---

原始信息汇总

数据集概述

数据集名称

• 名称: CAMEL Biology
• 任务类别: 文本生成

数据集内容

• 组成: 20,000个问题-解决方案对
• 来源: 使用gpt-4生成
• 主题: 25个生物学主题，每个主题包含25个子主题，每个“主题-子主题”对包含32个问题

数据文件

• 文件: biology.zip
• 数据字段:
  • role_1: 助手角色
  • topic: 生物学主题
  • sub_topic: 属于主题的生物学子主题
  • message_1: 助手被要求解决的问题
  • message_2: 助手提供的解决方案

许可证

• 许可证: CC-BY-NC-4.0

下载方法

python from huggingface_hub import hf_hub_download hf_hub_download(repo_id="camel-ai/biology", repo_type="dataset", filename="biology.zip", local_dir="datasets/", local_dir_use_symlinks=False)

引用信息

@misc{li2023camel, title={CAMEL: Communicative Agents for "Mind" Exploration of Large Scale Language Model Society}, author={Guohao Li and Hasan Abed Al Kader Hammoud and Hani Itani and Dmitrii Khizbullin and Bernard Ghanem}, year={2023}, eprint={2303.17760}, archivePrefix={arXiv}, primaryClass={cs.AI} }

免责声明

• 数据集由GPT4合成生成，可能包含错误信息，仅供研究使用。

搜集汇总

数据集介绍

构建方式

在生物信息学与自然语言处理交叉领域，camel-ai/biology数据集应运而生，旨在为大规模语言模型提供高质量的生物学科指令微调资源。该数据集依托GPT-4的生成能力，系统性地覆盖了25个生物学主题，每个主题进一步细分为25个子主题，并针对每个主题-子主题组合生成32个问题-解答对，最终构建出包含约2万条样本的丰富语料库。数据集中每条记录包含角色标识、主题、子主题、问题描述及对应解答，确保了结构化与领域专业性的统一。

特点

该数据集的核心特色在于其层次化与规模化的设计。通过主题与子主题的精细划分，数据集覆盖了从分子生物学到生态学的广阔领域，为模型提供了多样化的生物学科知识。每个问题-解答对均由GPT-4生成，保证了内容的一致性与流畅性，同时数据集明确标识了合成数据的性质，便于研究者在学术场景下进行可控实验。这种人工生成的特性虽然可能引入少量不准确信息，但整体上为指令微调提供了充足的样本量，尤其适合探索语言模型在生物学科推理与问答任务中的表现。

使用方法

研究者可通过Hugging Face平台便捷地获取该数据集，使用`hf_hub_download`函数从`camel-ai/biology`仓库下载`biology.zip`压缩包，并解压至本地目录。数据以JSON或类似结构化格式存储，支持直接加载为DataFrame或列表形式，便于与PyTorch、TensorFlow等深度学习框架集成。在使用时需注意，该数据集仅限研究用途，且需遵守CC-BY-NC-4.0许可协议。建议结合指令微调框架（如Hugging Face的Transformers库）进行模型训练，或作为生物学科问答系统的评估基准，以充分发挥其领域专业性优势。

背景与挑战

背景概述

在大型语言模型（LLM）研究蓬勃发展的背景下，智能体间的协作与通信能力成为探索通用人工智能的关键方向。camel-ai/biology数据集由沙特阿拉伯阿卜杜拉国王科技大学（KAUST）的Guohao Li、Bernard Ghanem等研究人员于2023年创建，其核心研究问题聚焦于利用GPT-4模拟多智能体对话，以生成高质量、结构化的生物学领域教学数据。该数据集包含约2万组问题-解决方案对，覆盖25个生物学主题及其子主题，旨在为指令微调提供专业化语料，推动LLM在科学教育场景中的可解释性与实用性。作为CAMEL项目的重要组成部分，该数据集不仅验证了基于角色扮演的智能体交互范式在知识生成中的有效性，也为后续生物信息学、科学推理等领域的研究奠定了数据基础，其影响力在学术界与工业界持续发酵。

当前挑战

当前camel-ai/biology数据集面临的挑战主要体现在两个层面。在领域问题层面，生物学知识体系具有高度专业性与动态演进特性，数据集所覆盖的25个主题虽具代表性，但难以涵盖分子生物学、系统生物学等前沿交叉领域的复杂问题，导致模型在应对跨学科推理或最新研究成果时可能出现知识盲区或错误泛化。在构建过程层面，数据完全依赖GPT-4生成，虽通过角色扮演机制模拟了问答逻辑，但缺乏人类专家对答案准确性的系统校验，可能潜藏科学事实误差或逻辑漏洞。此外，数据集的单一语言（英语）属性限制了其在非英语生物教育场景中的迁移应用，且开源协议（CC-BY-NC-4.0）对商业用途的约束也影响了其大规模产业化落地。

常用场景

经典使用场景

在生物学科研与教学的交叉领域，camel-ai/biology数据集以25个核心生物学主题及其逐层细分的子主题为骨架，借助GPT-4生成了两万组高质量的问题-解答对。这一数据集最经典的使用场景在于为大型语言模型提供领域特化的指令微调（instruction-finetuning）素材，使模型能够精准理解并回应生物学语境下的复杂提问。研究者可基于该数据集训练模型完成从分子机制到生态系统的多层次问答任务，从而显著提升模型在生物学科普、学术答疑及考试测评中的表现力与准确性。

实际应用

在实际应用层面，该数据集可赋能多种生物学智能服务系统的构建。例如，基于微调后的模型可部署于在线教育平台，为学生提供实时、精准的生物学疑难解答；亦可用于科研辅助工具，帮助研究人员快速检索与整合特定主题下的背景知识。此外，该数据集还适用于自动生成生物学试题与解析内容，减轻教师与课程设计者的重复劳动负担，为个性化学习与自适应测评系统提供高质量的数据支撑。

衍生相关工作

该数据集作为CAMEL项目的重要组成部分，衍生出了一系列具有深远影响的经典工作。CAMEL论文本身（arXiv:2303.17760）首次提出通过角色扮演式通信协议让多个智能体协同探索知识边界的研究范式，为多智能体系统在科学领域中的应用开辟了新路径。后续研究者借鉴其主题-子主题-问题的层级生成策略，进一步拓展至化学、物理等学科的数据集构建，形成了跨领域的大规模指令微调数据生态。此外，该数据集还催生了关于合成数据质量评估与偏差分析的相关研究，为人工生成语料在学术研究中的合理使用设立了方法论标杆。