Nemotron-SFT-Instruction-Following-Chat-v2-prompt-only

Nemotron-SFT-Instruction-Following-Chat-v2-prompt-only 是一个从源数据集 nvidia/Nemotron-SFT-Instruction-Following-Chat-v2 中提取的仅包含提示（prompt-only）的数据集，属于 Nemotron 后训练工作流的一部分。数据集的核心文件是 prompts.csv，其中每条记录对应一个从源行提取的提示，包含 prompt 字段、可选的分离 system_prompt 字段，以及当源行定义可用工具时的结构化 tools 字段（嵌套值以 JSON 编码存储）。数据集还提供了统计摘要文件（summary.md）和记录提取失败行的文件（null_or_empty_rows.md），以辅助数据质量评估。根据摘要，数据集包含 1,997,441 条有效提取行，69 条提取失败行，总行数比源数据集减少 69 条。该数据集适用于指令遵循、聊天模型微调、提示工程或自然语言处理任务中的提示数据分析和模型训练。

Nemotron-SFT-Instruction-Following-Chat-v2-prompt-only is a prompt-only dataset extracted from the source dataset nvidia/Nemotron-SFT-Instruction-Following-Chat-v2, part of the Nemotron post-training workflow. The core file is prompts.csv, where each record corresponds to a prompt extracted from a source row, containing a prompt field, an optional separate system_prompt field, and a structured tools field (with nested values stored as JSON encoding) when tools are defined in the source row. The dataset also includes a statistical summary file (summary.md) and a file documenting rows that failed extraction (null_or_empty_rows.md) to assist in data quality assessment. According to the summary, the dataset contains 1,997,441 valid extracted rows and 69 failed extraction rows, with the total row count reduced by 69 compared to the source dataset. This dataset is suitable for instruction following, chat model fine-tuning, prompt engineering, or prompt data analysis and model training in natural language processing tasks.

原始信息汇总

数据集概览

名称: Nemotron-SFT-Instruction-Following-Chat-v2-prompt-only
来源数据集: nvidia/Nemotron-SFT-Instruction-Following-Chat-v2
标签: nemotron, prompt-only, post-training

数据集描述

该数据集是从 nvidia/Nemotron-SFT-Instruction-Following-Chat-v2 中提取的仅包含 prompt 的部分。原始数据集中的每条记录被提取为一个 prompt 记录，保存在 prompts.csv 文件中。

文件结构

• prompts.csv: 每条记录包含 prompt、分离的 system_prompt，以及当源行定义了可用工具时的结构化 tools。嵌套值在 CSV 单元格内以 JSON 编码。
• summary.md: 包含源行数量、提取行数量、数量变化以及失败 prompt 数量。
• null_or_empty_rows.md: 包含 prompt 提取结果为 null 或空的行索引。

数据统计

• 提取行数: 1,997,441
• 失败 prompt 行数: 69
• 行数变化: -69

其他信息

该数据集由 jamesdborin 通过 Nemotron Post-Training v3 prompt 提取器工作流程上传。

搜集汇总

数据集介绍

构建方式

Nemotron-SFT-Instruction-Following-Chat-v2-prompt-only 数据集源自 Nvidia 发布的 Nemotron-SFT-Instruction-Following-Chat-v2 原始数据集，经过专项提示提取流程构建而成。该流程从原始数据集中逐行抽取提示（prompt）信息，保留系统提示（system_prompt）和结构化工具定义（tools）字段，其中嵌套内容以 JSON 格式编码于 CSV 单元格中。提取结果存储于 prompts.csv 文件，并附带 summary.md 和 null_or_empty_rows.md 文档，分别记录提取统计、失败的提示行索引及空提示行信息。最终提取出 1,997,441 条有效提示记录，仅丢失 69 行，体现了高效的提取准确率。

特点

该数据集的核心特点在于其专注于提示内容的纯净性与结构化。仅保留原始对话数据中的提示部分，去除响应文本，使其特别适用于需要对模型输入进行独立研究的场景，如提示工程优化或指令遵循能力评估。数据集中系统提示与工具定义被明确分离，便于研究者灵活组合或替换不同上下文的提示元素。此外，异常记录（如空提示或无效提示）被单独记录并剔除，确保了数据质量的高标准。这种设计不仅简化了数据集的使用复杂度，还增强了其在模型后训练阶段对提示敏感度分析的适配性。

使用方法

使用本数据集时，用户可直接加载 prompts.csv 文件，利用 Pandas 等库读取 CSV 格式数据。每一行包含 prompt、system_prompt 和 tools 三列，其中 tools 列需以 JSON 解析器解码以获取结构化工具定义。在模型后训练或评估中，可将 system_prompt 与 tools 作为输入上下文拼接至 prompt 之前，构建完整的指令格式。对于需过滤异常记录的任务，可参考 null_or_empty_rows.md 中的行索引排除无效数据。该数据集简洁的结构使其易于集成至微调或测试管线，尤其适合从事提示优化、指令遵循分析及多工具对话系统开发的团队。

背景与挑战

背景概述

Nemotron-SFT-Instruction-Following-Chat-v2-prompt-only数据集由英伟达（NVIDIA）的研究团队于近期创建，聚焦于大语言模型的后训练（post-training）阶段中指令遵循能力的优化。该数据集从原始数据集Nemotron-SFT-Instruction-Following-Chat-v2中提取提示（prompt）信息，旨在为模型提供结构化的系统提示与工具调用上下文，以提升其在复杂对话场景下的响应准确性与任务完成度。作为Nemotron系列的重要组成部分，该数据集推动了大语言模型在指令微调领域的实用性研究，尤其在工具集成与多轮交互场景中具有显著影响力。其公开版本包含约199.7万条提示记录，为后续模型对齐与性能评估奠定了数据基础。

当前挑战

该数据集面临的挑战主要体现在两方面。在领域问题层面，核心挑战在于如何使模型在复杂工具调用与多步推理场景中精准遵循指令，避免因提示结构模糊或上下文冗余导致的语义偏离。此外，数据集需解决工具定义与用户意图之间的对齐问题，以减少模型在生成回复时对工具功能的误用。在构建过程中，提示提取环节面临显著困难：从原始数据中分离系统提示、用户提示及工具结构时，需处理嵌套JSON编码与CSV字段的兼容性，同时过滤了69条空值或无效提示，反映出数据清洗与结构化转换的复杂性。这些挑战共同制约着数据集在指令遵循任务中的泛化能力与实用性。

常用场景

经典使用场景

Nemotron-SFT-Instruction-Following-Chat-v2-prompt-only数据集的核心应用在于为指令微调与对齐研究提供纯净、结构化的提示输入。通过从原始多轮对话中精准提取系统提示、用户指令以及工具调用定义，该数据集成为训练和评估大语言模型指令遵循能力的理想素材。研究者可借助这些提示样本，系统性地提升模型对复杂任务指令的理解精度与执行可靠性，尤其在需要工具交互与多步推理的场景中发挥关键作用。

实际应用

在实际应用中，该数据集支撑着智能助手系统的核心能力建设。开发者可以基于这些结构化的系统提示与工具定义，训练模型在企业级客户服务、自动化工作流编排和代码生成辅助等场景中精准响应。例如，模型可依据明确的功能描述调用外部API完成数据查询，或根据多步指令协调多个子任务，从而显著提升人机交互的流畅性与任务完成准确率。

衍生相关工作

该数据集的衍生工作主要集中于提示工程的优化与后训练方法的革新。经典的后续研究包括基于此数据集的指令解耦训练范式，通过分离系统提示与用户指令来提升模型上下文理解鲁棒性；以及融合结构化工具标签的多任务微调框架，增强模型在动态工具集环境下的自适应能力。此外，该数据催生了针对长尾指令分布的高效采样策略，有效缓解了标准指令微调中的数据不平衡问题。