sakthai-combined-v7

SakThai Combined v7是一个面向工具调用（tool-calling）、函数调用（function-calling）和智能体风格推理（agent-style reasoning）的指令微调数据集，专为SakThai模型家族设计。该数据集在v6版本基础上进行了扩展，增加了更多多轮对话示例、更广泛的工具覆盖，并强化了<tool>/函数调用的格式规范。数据集适用于微调模型，使其能够自然地调用工具，并在获得工具结果后继续对话。 数据字段包括： - messages：OpenAI风格的对话轮次列表，包含system、user、assistant、tool角色； - tools：每个示例中可用工具的JSON schema定义； - conversations：包含后续工具执行的多轮对话注释； - source_split：示例来源的数据集标签； - fingerprint：用于可重复性和去重的内容哈希。 数据集结构： - 配置：default - 训练集：存在，包含2000+个示例，文件大小约4.7 MB - 测试集：存在，包含235个示例，文件大小约355 KB - 格式：JSONL - 语言：英语，同时保留了原始对话中的多语言助手回复。 适用任务： - 对指令遵循模型进行函数调用微调； - 评估模型在未见过的工具上对工具调用格式的遵循能力； - 基于工具结果的智能体多轮对话训练。 数据集采用CC BY 4.0许可证，是SakThai模型家族的一部分。SakThai Combined v7 is an instruction fine-tuning dataset designed for tool-calling, function-calling, and agent-style reasoning, tailored for the SakThai model family. It expands on v6 with more multi-turn conversation examples, broader tool coverage, and enhanced <tool>/function call format specifications. The dataset is suitable for fine-tuning models to naturally invoke tools and continue conversations after receiving tool results.

原始信息汇总

SakThai Combined v7 数据集详情

数据集简介

SakThai Combined v7 是一个用于工具调用、函数调用及智能体风格推理的指令微调数据集，是 SakThai 模型家族中 v6 系列的扩展版本。该数据集包含更多多轮对话示例、更广泛的工具覆盖，并强化了 <tool>/函数调用格式，适用于微调需要自然调用工具并在工具结果返回后继续对话的模型。

数据字段

字段	类型	描述
messages	list[dict]	OpenAI 格式的对话轮次，包含 system、user、assistant 和 tool 角色
tools	list[dict]	每个示例中可用可调用工具的 JSON schema 定义
conversations	list[dict]	包含后续工具执行示例的多轮对话标注
source_split	string	示例派生自其他分割时的来源/数据集标签
fingerprint	string	用于可复现性和去重的内容哈希

数据集结构

• 配置：default
• 分割：包含 train 和 test 两个分割
• 格式：JSONL
• 语言：英语，保留来源对话中的多语言助手回复

数据分割统计

分割	文件	示例数	大约大小
train	data/train.jsonl	2,000+	~4.7 MB
test	data/test.jsonl	235	~355 KB

数据集规模

• 总仓库大小：约 4.7 MB
• 训练文件：data/train.jsonl
• 测试文件：data/test.jsonl
• 最后修改时间：2026-08-01
• 下载次数：101

已验证快照

属性	值
来源	Nanthasit/sakthai-combined-v7
文件	README.md、data/train.jsonl、data/test.jsonl、load_dataset_demo.ipynb、notebooks/、scripts/
训练文件字节数	4,742,978
测试文件字节数	355,490
验证方	SakThai / HF Hub 元数据及文件检查
最后验证时间	2026-08-01

数据集的创建

• 策划方式：由先前 SakThai 组合数据集合并而来，并增加了额外的工具调用和多轮对话覆盖。
• 标注内容：示例包含预期的工具调用格式和助手后续行为。
• 适用范围：用于工具使用指令微调的训练和评估。

使用场景

• 微调指令遵循模型以进行函数调用。
• 在保留工具上评估工具调用格式遵循度。
• 使用工具结果进行智能体式多轮对话训练。

许可

采用 CC BY 4.0 许可证。该数据集是 SakThai 模型家族（https://huggingface.co/collections/Nanthasit/sakthai-model-family）的一部分，相关评估结果可在 SakThai 排行榜（https://huggingface.co/spaces/Nanthasit/sakthai-leaderboard）中查看。

搜集汇总

数据集介绍

构建方式

SakThai Combined v7作为SakThai模型家族中面向工具调用与函数调用场景的指令微调数据集，其构建过程融合了先前的SakThai combined数据集并加以拓展，着重增强了多轮对话样本的占比、拓宽了工具覆盖的范畴，并强化了`<tool>`及函数调用的格式化标注。数据以JSONL格式存储，每条记录包含OpenAI风格的消息序列、可调用工具的JSON Schema定义、多轮对话注解、来源分割标识及用于复现和去重的内容哈希指纹。训练集与测试集分别包含逾两千条和二百余条示例，数据规模适中，兼顾了训练多样性与评估的可靠性。

特点

该数据集最显著的特征在于其结构化与多轮交互的设计理念。每条数据均配备了`messages`、`tools`及`conversations`字段，既支持标准的指令微调，又能模拟智能体在调用工具后继续会话的动态流程。训练与测试分割的明确分离，加之`fingerprint`字段确保了数据的可追溯性与唯一性。此外，数据保留多语言助手的回复，虽以英文为主，却保留了源自源对话的多语言多样性，增强了模型的跨语言泛化能力。流式加载的支持进一步提升了灵活性与可扩展性。

使用方法

使用者可通过HuggingFace的`datasets`库便捷加载数据，既支持全量加载亦可流式读取，适配不同规模的计算环境。典型用途包括对指令跟随模型进行函数调用微调、对不可见工具的格式化遵循能力评估，以及智能体式多轮对话训练。加载后，可提取`messages`与`tools`字段构建训练样本，亦可直接利用测试分割进行模型性能验证。该数据集附带详尽的示例代码，降低了使用门槛，为研究社区提供了即取即用的标准化资源。

背景与挑战

背景概述

SakThai Combined v7（简称sakthai-combined-v7）是由研究者Beer/Nanthasit于2026年发布的泰语工具调用指令微调数据集，隶属于SakThai模型家族。该数据集核心研究问题在于提升大语言模型在泰语及多语言场景下的工具调用与函数调用能力，通过整合多轮对话和多样化工具定义，推动智能代理（agent）的自然交互与后续推理。作为SakThai系列的重要迭代，v7版本在先前基础上扩展了多轮示例和更广泛的工具覆盖，强化了<tool>格式的规范性，对泰语NLP和低资源语言工具调用领域具有显著影响力，为相关研究提供了宝贵的基准资源。

当前挑战

该数据集面临的挑战包括：1）领域问题层面，工具调用和函数调用要求模型精准理解结构化工具定义并生成符合格式的调用序列，多轮交互中还需合理利用工具结果进行后续推理，这对模型的语义解析和规划能力构成显著考验；2）构建过程中，需从多个来源综合并人工注释工具调用格式和助手后续行为，确保数据一致性和去重，同时维持多语言与泰语特色，小型团队在扩展规模与质量保障之间面临平衡难题，且在低资源语言环境下收集高质量工具交互数据颇具难度。

常用场景

经典使用场景

SakThai Combined v7数据集作为面向工具调用与函数调用指令微调的高质量语料，其经典使用场景聚焦于大型语言模型的工具使用能力塑造。研究者借助该数据集的对话级消息结构与工具模式定义，微调模型使其在开放式指令中准确识别所需外部工具，生成符合JSON Schema的函数调用序列，并在工具返回结果后无缝衔接后续对话。该数据集尤其适合训练智能体模型，使其在复杂多轮交互中动态决策工具调用时机与参数，从而提升模型的实用性与交互流畅性。

实际应用

在实际应用中，SakThai Combined v7赋能了诸多依赖实时数据或外部操作的智能系统。例如，用于开发企业级助手，使其能够调用API查询数据库、预订日程或控制物联网设备；用于构建代码生成IDE插件，让模型自动调用函数库完成特定编程任务；还可应用于客户服务机器人，通过工具调用获取订单状态或执行退款操作。其多语言辅助回复能力亦支持跨语言工具交互场景，为全球化部署的AI代理提供了坚实的数据基础。

衍生相关工作

该数据集的衍生工作广泛活跃于工具调用与智能体评估领域。其推动的基准测试与排行榜（如SakThai Leaderboard）被用于系统比较不同模型的功能调用准确性。基于其数据格式与内容，研究者进一步合成了更复杂的多工具协作任务集，开发出动态工具选择与参数生成的新算法。此外，数据集的流式加载与指纹去重特性启发了高效数据迭代策略，相关方法论文在工具调用指令微调的效率与可扩展性方面持续产出，形成了一个活跃的研究生态。