LLM-self-identification

LLM Self Identification数据集是由SupraLabs创建的专门用于让语言模型了解自身身份信息的训练集。该数据集旨在帮助开发者和训练者通过定制化的身份信息来增强语言模型的自我认知能力。数据集包含7个可替换的正则表达式标记，分别对应模型的关键身份属性：模型ID（唯一标识符）、模型名称（人类可读名称）、模型创建者（开发个人或组织）、模型家族（所属系列）、模型架构（神经网络架构）、参数数量（近似或精确值）和知识截止日期（训练数据的最新时间点）。数据集提供了详细的标记替换指南和完整的使用示例，展示了如何将通用标记替换为具体的模型身份信息。该数据集适用于文本生成和问答任务，特别适合需要语言模型具备自我认知和身份识别能力的应用场景。数据集规模小于1000个样本，使用Apache-2.0开源许可证。The LLM Self Identification dataset is a training set created by SupraLabs specifically designed to help language models understand their own identity information. The dataset aims to assist developers and trainers in enhancing the self-awareness of language models through customized identity information. It contains 7 replaceable regular expression tokens corresponding to key model identity attributes: model ID (unique identifier), model name (human-readable name), model creator (developer individual or organization), model family (series), model architecture (neural network architecture), parameter count (approximate or exact value), and knowledge cutoff date (latest training data time). The dataset provides detailed token replacement guidelines and complete usage examples, demonstrating how to replace generic tokens with specific model identity information. It is suitable for text generation and question answering tasks, especially for scenarios requiring language models to have self-awareness and identity recognition capabilities. The dataset size is less than 1000 samples, licensed under Apache-2.0.

原始信息汇总

数据集概述：LLM Self Identification

• 数据集名称: LLM Self Identification
• 数据集地址: https://huggingface.co/datasets/SupraLabs/LLM-self-identification
• 许可证: Apache-2.0
• 语言: 英语 (en)
• 任务类别: 文本生成 (text-generation)、问答 (question-answering)
• 数据集规模: n<1K (小于1000条)
• 标签: self-identification, llm, identity

核心用途

该数据集旨在让开发者或训练者通过微调，使语言模型能够认知并表述自身的身份信息。通过在训练数据中插入特定的正则标记（Regex Marker），模型可以学习回答关于“你是谁？”这类问题，并输出诸如模型名称、创建者、架构等自定义信息。

数据集内容

训练集包含一问一答的对话形式，其中助手的回答中使用了以下7个可替换的正则标记。每个标记对应一个需要自定义的身份信息字段：

正则标记 (Regex Marker)	含义 (Description)	替换示例
{{SELF_ID.MODEL_ID}}	模型的唯一标识符，通常为仓库名或部署ID	SupraLabs/Supra-2-65M
{{SELF_ID.MODEL_NAME}}	模型的人类可读名称	Supra-2 Mini
{{SELF_ID.MODEL_CREATOR}}	创建模型的个人、团队或组织	SupraLabs
{{SELF_ID.MODEL_FAMILY}}	模型所属的家族或系列	Supra-2
{{SELF_ID.MODEL_ARCHITECTURE}}	模型底层的神经网络架构	supra-arch
{{SELF_ID.PARAMETER_COUNT}}	模型的参数量，如65M、7B	65M
{{SELF_ID.KNOWLEDGE_CUTOFF}}	模型训练知识的最新日期	February, 2026

使用方式

开发者需将数据集中所有出现的上述正则标记替换为对应模型的实际身份信息。数据集页面提供了一个UI动画指南和一个完整的Python脚本，指导用户如何：

1. 从Hugging Face导入数据集。
2. 逐一收集每个个人化字段（如上表所示）。
3. 将收集到的值应用到数据集中，替换所有标记。
4. 验证无误后保存个性化的数据集。

搜集汇总

数据集介绍

构建方式

LLM-self-identification数据集由SupraLabs精心构建，旨在赋予语言模型明确的自我认知能力。该数据集以问答对形式组织，通过引入七组正则标记符（如{{SELF_ID.MODEL_NAME}}、{{SELF_ID.MODEL_CREATOR}}等），分别对应模型的唯一标识符、名称、创建者、家族、架构、参数量与知识截止日期。开发者仅需将这些标记替换为具体数值，即可生成定制化的自我识别训练语料，无需手动撰写大量问答模板。

特点

该数据集的核心特点在于其极高的灵活性与可扩展性。通过预定义的标记体系，开发者能够为任意语言模型赋予高度一致的自我描述能力，涵盖从模型身份到技术细节的全方位信息。数据集规模虽小于1K，但每个样本均包含完整的身份特征字段，确保模型在回答身份相关问题时能输出结构化、准确的答案。其设计兼顾了通用性与精确性，既适用于开源模型，也适用于专有模型。

使用方法

使用该数据集时，开发者需先加载Hugging Face上的SupraLabs/LLM-self-identification数据集，然后逐字段收集模型的个性化信息（如模型ID、名称、创建者等），并将对应的正则标记符替换为实际值。替换过程可通过提供的Python脚本自动化完成，脚本会遍历数据集所有条目，确保无遗漏，并在替换后验证无残留标记。最终得到一个完全定制的自我识别数据集，可用于微调或直接集成至模型推理流程中。

背景与挑战

背景概述

随着大语言模型的广泛应用，赋予模型清晰的自我认知能力已成为提升人机交互可信度与安全性的关键课题。LLM-self-identification数据集由SupraLabs团队于2025年创建，旨在解决语言模型缺乏内生身份标识的核心问题。该数据集通过引入可替换的正则标记系统，为模型定义包括模型ID、名称、创建者、架构及知识截止日期等七项关键身份属性，开创性地将模型自我认知从隐式参数转化为显式可配置信息。这一设计范式为开发者提供了标准化工具，使模型在问答交互中能够精准表述自身背景，极大地降低了模型滥用与身份混淆的风险，对推动负责任的AI部署具有里程碑意义。

当前挑战

该数据集面临的核心挑战在于解决语言模型普遍存在的自我认知缺失问题。传统模型在面对身份质询时往往产生幻觉或提供模糊回应，LLM-self-identification通过结构化标记系统强制赋予模型明确身份，有效遏制了身份伪造与误导性陈述。在构建过程中，团队需克服两大难题：一是设计一套足够通用且无损自然语言流畅性的标记替换架构，确保身份信息嵌入后不破坏对话语境；二是保证替换过程的高效性与无遗漏验证，避免因标记残留导致的模型表述一致性崩溃。此外，跨模型迁移时的身份字段兼容性亦是维护该数据集实用价值的关键技术瓶颈。

常用场景

经典使用场景

在大语言模型的研究与开发领域，LLM-self-identification数据集为赋予模型一个清晰且可定制的身份信息提供了标准化方案。该数据集通过精心设计的正则标记系统，将模型ID、名称、创建者、家族、架构、参数量及知识截止日期等关键元数据嵌入训练样本中。开发者在微调或持续训练时，仅需替换预设标记，即可让模型在面对身份询问时，准确无误地陈述自身技术属性和来源背景，从而实现对模型自我认知行为的精准调控与个性化塑造。

实际应用

在实际部署中，该数据集被广泛应用于AI助手、客服系统及教育工具等需要明确模型身份的场景。例如，企业可将数据集中的标记替换为自有大模型的信息，确保用户在对话中获取准确的模型名称、版本及创建者信息，避免用户对模型来源产生误解。在合规审计场景下，模型能自动声明知识截止日期和架构细节，助力满足透明度法规要求。此外，该数据集还支撑了多模型平台的统一身份管理，使不同系列、不同规模的模型能够自述区分，提升用户交互的清晰度与信任感。

衍生相关工作

基于LLM-self-identification数据集，衍生了多项相关研究工作。首先，有学者扩展了其标记体系，引入‘语言支持’、‘安全对齐’等新型元数据字段，构建了更全面的模型身份数据集。其次，研究人员利用该数据集训练了专门的‘身份感知’评估基准，用于衡量模型自我认知的鲁棒性。此外，该数据集催生了动态身份更新技术，通过外部知识库实时替换标记内容，使模型在运行期即可适应版本迭代。这些衍生工作共同推动了大语言模型身份管理从静态配置向动态自适应方向的演进。