optiq-lab-traces
收藏资源简介：
该数据集为 OptiQ Lab Traces，由 OptiQ Lab（mlx-optiq 附带的本地 Web UI）生成，包含 866 个完整的工具调用与研究会话。每个会话存储为一个 JSONL 文件，第一行为会话元数据，后续为消息序列。数据集分为两种类型：深度研究（deep research，605 个会话）和聊天（chat，261 个会话）。深度研究会话执行 TTD-DR 循环，包括计划、生成初稿、基于初稿缺口的搜索与迭代，最终输出带引用的报告；聊天会话是真正的工具调用代理循环，模型可选择 web_search、python 或 terminal 工具，在沙箱容器中执行并返回结果。会话元数据包含 mode、model、domain、ok、elapsed_s 等字段，研究会话额外包含 sources、citations、report_chars、model_calls，聊天会话包含 turns_used、tool_calls、tools_used。数据格式符合 HuggingFace Session-Traces 格式（agent-traces 查看器）。研究轨迹由本地 OpenAI 兼容端点生成，聊天轨迹由 deepseek/deepseek-v4-flash-0731 生成。问题覆盖 43 个研究领域和 25 个聊天领域，包括机器学习、密码学、流行病学、公共政策等。该数据集可用于训练或评估工具调用代理、深度研究循环、Agent 轨迹分析等任务。
This dataset is OptiQ Lab Traces, generated by OptiQ Lab (a local Web UI bundled with mlx-optiq), containing 866 complete tool-calling and research sessions. Each session is stored as a JSONL file, with the first line being session metadata followed by a sequence of messages. The dataset is divided into two types: deep research (605 sessions) and chat (261 sessions). Deep research sessions execute the TTD-DR loop, including planning, generating a first draft, searching and iterating based on gaps in the draft, and finally outputting a report with citations; chat sessions are true tool-calling agent loops where the model can choose web_search, python, or terminal tools, executing in a sandbox container and returning results. Session metadata includes fields such as mode, model, domain, ok, elapsed_s, etc. Research sessions additionally include sources, citations, report_chars, model_calls, while chat sessions include turns_used, tool_calls, tools_used. The data format conforms to the HuggingFace Session-Traces format (agent-traces viewer). Research traces are generated by a local OpenAI-compatible endpoint, and chat traces are generated by deepseek/deepseek-v4-flash-0731. The questions cover 43 research domains and 25 chat domains, including machine learning, cryptography, epidemiology, public policy, etc. This dataset can be used for training or evaluating tool-calling agents, deep research loops, agent trajectory analysis, and other tasks.
OptiQ Lab Traces 数据集概述
基本信息
- 数据集名称: OptiQ Lab Traces
- 数据集地址: https://huggingface.co/datasets/mlx-community/optiq-lab-traces
- 任务类别: 文本生成（text-generation）
- 数据规模: 少于1K条（n<1K）
- 数据格式: HuggingFace Session-Traces 格式，每个
.jsonl文件代表一个会话，首行为会话元数据，后续每行对应一轮消息 - 数据量: 共 866 个会话
数据来源
该数据集由 OptiQ Lab 产生，这是一个与 mlx-optiq 工具包配套的本地 Web 界面，支持模型量化、微调、深度研究和本地聊天。每个会话是一次完整的运行记录，包括基于实时网络来源构建的深度研究报告，或多轮智能体工具调用循环。
数据结构与内容
会话类型
| 类型 | 数量 | 内容说明 |
|---|---|---|
| 深度研究（Deep Research） | 605 个 | 执行 TTD-DR 循环：模型先制定计划、撰写初稿，然后多轮根据草稿缺口进行搜索并将检索到的来源整合进报告中，最终生成带引用的报告 |
| 聊天（Chat） | 261 个 | 真实的智能体循环：模型选择工具、实验室在沙箱容器中执行、结果返回后模型继续决策，包含真实的 toolCalls 和 toolCallId 记录 |
会话头部字段
每个会话的头部元数据包含：mode（deep_research 或 chat）、model、domain、ok 和 elapsed_s。
深度研究会话附加字段
| 字段 | 含义 |
|---|---|
sources |
实际检索并阅读的页面数量 |
citations |
报告正文中使用的来源标记数（不包含文末参考文献列表中的标记） |
report_chars |
最终报告的长度 |
model_calls |
循环中发生的模型调用次数 |
聊天空话附加字段
| 字段 | 含义 |
|---|---|
turns_used |
助手轮次数量 |
tool_calls |
发出的工具调用次数 |
tools_used |
出现过的工具（从 web_search、python、terminal 中选用） |
生成方式
- 深度研究痕迹: 通过
optiq serve提供的本地 OpenAI 兼容端点生成 - 聊天痕迹: 使用
deepseek/deepseek-v4-flash-0731模型生成 - 领域覆盖: 研究任务覆盖 43 个领域，聊天任务覆盖 25 个领域，涉及 ML 系统、密码学、流行病学、公共政策等多个主题
- 工具环境: 聊天的工具运行在沙箱容器中，无网络连接且仅含 Python 标准库，因此痕迹中使用了
math、statistics、json、csv、itertools等内置库，而非 numpy 或 pandas
加载方式
python from datasets import load_dataset
ds = load_dataset("mlx-community/optiq-lab-traces", split="train")
一个会话 = 一个文件；头部行携带元数据
sessions = [r for r in ds if r["type"] == "session"] research = [s for s in sessions if s["mode"] == "deep_research"]
相关资源
- OptiQ Code Traces — 同格式的智能体软件工程轨迹数据集
- mlx-optiq — 产生该数据集的工具包
- OptiQ Lab — 本地量化、微调、研究与聊天的 Web 界面
