everydayness-agent-traces

Everydayness — Anonymized Agent Traces 是一个包含匿名化执行轨迹的数据集，这些轨迹来源于为 Build Small Hackathon（2026年6月由 Gradio 与 Hugging Face 联合举办）所开发的Everydayness悲伤陪伴应用程序。数据集旨在通过公开分享匿名的管道执行轨迹，帮助社区了解小规模模型（如 Qwen3-14B、Whisper）在真实悲伤陪伴分类任务上的实际表现，并因此获得了该黑客马拉松的Sharing is Caring徽章。数据以 JSON Lines 格式存储于 anonymized_traces.jsonl 文件中，每行代表一次管道执行轨迹，数据规模小于1000条样本。每条轨迹记录包含以下匿名化字段：会话ID（UUID v4，不关联用户信息）、运行的管道类型（pain_filter、audio、media、session_summary之一）、使用的模型名称及量化信息、消息分块处理的批次大小、分类标签分布比例（不包含消息内容）、推理延迟毫秒数、使用的GPU类型以及提示词模板摘要（仅包含占位符描述）。数据集严格不记录任何个人信息，包括消息内容、发送者姓名、聊天时间戳、任何个人身份信息以及文件内容或转录文本。该数据集适用于文本分类任务的研究与分析，特别是关注小模型在情感支持或对话代理场景下性能评估的社区。相关应用程序信息可在 Hugging Face Space（build-small-hackathon/everydayness）查看，其开发属于 Backyard AI 赛道，并使用了 OpenPipe/Qwen3-14B-Instruct（AWQ 4-bit量化）模型。数据集语言涉及英语、泰卢固语和印地语，采用 MIT 许可证。Everydayness — Anonymized Agent Traces is a dataset containing anonymized execution traces, sourced from the Everydayness grief companion application developed for the Build Small Hackathon (jointly hosted by Gradio and Hugging Face in June 2026). The dataset aims to help the community understand the real-world performance of small-scale models (such as Qwen3-14B and Whisper) in grief companion classification tasks by publicly sharing anonymized pipeline execution traces, and it has earned the Sharing is Caring badge from the hackathon. The data is stored in JSON Lines format in the anonymized_traces.jsonl file, with each line representing a pipeline execution trace, and the dataset size is less than 1000 samples. Each trace record includes anonymized fields: session ID (UUID v4, not linked to user information), pipeline type (one of pain_filter, audio, media, session_summary), model name and quantization information, batch size for message chunking, classification label distribution ratios (excluding message content), inference latency in milliseconds, GPU type used, and prompt template summary (only placeholder descriptions). The dataset strictly does not record any personal information, including message content, sender names, chat timestamps, any personally identifiable information, or file content or transcription text. It is suitable for research and analysis of text classification tasks, particularly for communities focusing on performance evaluation of small models in emotional support or dialogue agent scenarios. Related application information can be viewed on Hugging Face Space (build-small-hackathon/everydayness), developed as part of the Backyard AI track, using the OpenPipe/Qwen3-14B-Instruct (AWQ 4-bit quantized) model. The dataset involves languages such as English, Telugu, and Hindi, and is licensed under MIT.

原始信息汇总

数据集名称

Everydayness — Anonymized Agent Traces

许可证

MIT

任务类别

文本分类（text-classification）

语言

英语（en）、泰卢固语（te）、印地语（hi）

标签

everydayness、grief-companion、llm-traces、hackathon、build-small-hackathon

数据集规模

少于1000条（n<1K）

数据集内容

数据集包含一个名为 anonymized_traces.jsonl 的文件，其中每条记录对应一次流水线执行轨迹。

记录的字段包括：

• session_id：UUID v4，不含任何用户相关信息
• pipeline：执行的流水线名称（如 pain_filter、audio、media、session_summary）
• model：模型名称及量化方式
• batch_size：每个批次处理的消息数
• classification_distribution：标签分布比例（不含消息内容）
• inference_latency_ms：Modal调用的推理延迟（毫秒）
• gpu：使用的GPU类型
• prompt_template_summary：模板描述（包含占位符）

绝对不包含的内容：

• 消息内容
• 发送者姓名
• 聊天时间戳
• 任何个人身份信息
• 文件内容或转录文本

数据集用途

该数据集用于公开分享匿名的流水线执行轨迹，帮助社区理解小模型（如 Qwen3-14B、Whisper）在真实哀伤陪伴分类任务上的表现，并用于获取 Build Small Hackathon 的 📡 Sharing is Caring 徽章。

相关应用与背景

• HF Space: build-small-hackathon/everydayness
• 赛道: Backyard AI
• 模型: OpenPipe/Qwen3-14B-Instruct (AWQ 4-bit, xgrammar, Modal A100)

搜集汇总

数据集介绍

构建方式

该数据集源自“Everydayness”哀伤陪伴应用，专为Build Small黑客马拉松构建，记录了应用运行过程中经匿名化处理的管道执行痕迹。数据以JSONL格式存储于anonymized_traces.jsonl文件中，每行对应一次完整的管道执行。采集字段涵盖会话标识符、运行管道类型、模型名称与量化方式、每批处理的消息数量、分类标签分布、推理延迟及GPU类型等元信息，严格排除了消息内容、发送者姓名、时间戳及任何个人身份信息，确保数据隐私安全。

特点

数据集具有鲜明的轻量级与小规模特性，样本总量不足一千条，聚焦于哀伤陪伴场景下小型模型的分类任务表现。其特点在于从管道执行角度提供细粒度的性能指标，如分类分布与推理延迟，而非传统文本内容，这为评估模型在实际部署中的行为提供了独特视角。同时，数据集的开放共享旨在促进社区对小型模型在情感支持类任务中应用潜力的理解，体现了黑客马拉松倡导的协作精神。

使用方法

该数据集适用于文本分类任务中的管道性能分析与模型评估。使用者可直接加载anonymized_traces.jsonl文件，利用各字段进行统计分析，如比较不同管道（pain_filter、audio等）的推理效率，或考察Qwen3-14B、Whisper等模型在悲伤陪伴分类场景下的表现。数据以标准JSON Lines格式提供，便于集成至Python、R等数据处理工具中，开展后续建模与可视化工作。

背景与挑战

背景概述

在日常生活的数字化浪潮中，情感计算与人机交互领域正积极探索语言模型在辅助心理支持场景中的潜力。2026年6月，由Gradio与Hugging Face联合举办的Build Small Hackathon上，研究团队开发了Everydayness悲伤陪伴应用，并构建了Everydayness-Agent-Traces数据集。该数据集由匿名化智能体执行轨迹组成，记录了小型语言模型（如Qwen3-14B）在实际悲伤陪伴分类任务中的推理性能、流水线运行参数及分类分布，旨在弥合情感AI从实验室到真实部署的透明度鸿沟。作为Backyard AI赛道的产物，该数据集代表了小规模、高隐私保护范式下情感AI研究的前沿实践，通过公开匿名轨迹促进社区对模型效能的理解，推动了可复现、负责任AI的学术讨论。

当前挑战

该数据集所解决的领域核心挑战在于情感计算中真实场景数据的稀缺性与隐私保护的矛盾：悲伤陪伴等高度敏感任务要求模型具备细腻的分类与响应能力，但用户对话内容、情感状态等隐私信息使得数据采集与共享极为困难。传统大规模情感数据集难以捕捉真实情境中的细微标签分布，且推理延迟、显存占用等工程指标在小型部署环境中至关重要但常被忽视。在构建过程中，团队面临了严格的隐私合规要求，确保绝不记录消息内容、发送者身份及时间戳，仅保留无用户关联的UUID会话ID与分类统计特征。此外，多流水线（疼痛过滤、音频处理、媒体分析、会话总结）的并发追踪、4比特量化下权衡推理速度与分类保真度、以及A100 GPU算力限制下的批量优化，均构成了工程实现与数据标准化上的实际障碍。

常用场景

经典使用场景

在日常生活中，情感支持类应用逐渐成为人工智能辅助心理健康领域的重要组成部分。Everydayness Agent Traces数据集专为文本分类任务而设计，其经典使用场景在于对悲伤陪伴（grief-companion）场景中的模型推理轨迹进行分析与评估。研究者和开发者可以通过该数据集中的管道执行记录，涵盖pain_filter、audio、media及session_summary等多种子任务，深入理解小模型（如Qwen3-14B）在真实对话分类任务中的性能表现与行为模式。

实际应用

在实际应用中，Everydayness Agent Traces数据集可用于优化悲伤陪伴类应用的模型部署与性能调优。开发者可基于数据集中的分类分布和推理延迟指标，调整模型量化策略、批次处理大小或GPU资源分配，以实现在有限计算资源下的最佳响应速度与分类准确率。此外，该数据集还能帮助应用运维人员监控不同管道（如音频处理与文本摘要）的异常行为，提升系统在真实用户交互中的鲁棒性与用户体验。

衍生相关工作

该数据集的发布催生了多项相关研究工作的开展。围绕匿名化推理轨迹的公开共享，衍生出关于小模型在情感分类任务中量化偏差分析的研究，以及面向隐私保护的轻量级模型性能基准测试。部分工作进一步探讨了将推理轨迹与强化学习结合，以优化模型在悲伤陪伴交互中的自适应策略。此外，该数据集还启发了类似情感支持应用（如哀伤疏导或危机干预工具）的轨迹数据标准化工作，推动了跨应用的模型可复现性评估方法的建立。