turkish-tool-calling

Türkçe Tool-Calling Veri Seti（土耳其语工具调用数据集）是Mustafaege/qwen3.5-toolcalling-v2数据集的土耳其语翻译子集，专门为土耳其语工具调用（Tool-Calling）或函数调用（Function-Calling）任务而设计。该数据集包含14,225个对话样本，划分为13,514个训练样本和711个测试样本。每个样本以messages字段表示，该字段是一个由字典组成的列表，每个字典包含role和content键，角色包括system、user、assistant和answer。在翻译过程中，用户查询、助手回复、推理过程、工具描述和系统指令等自然语言内容被翻译成土耳其语，而函数名称、JSON键、<tool_call>参数、<tool_response>输出、代码和XML标签等技术结构则保留原始英语形式，以确保结构完整性。翻译工作使用GPT-5.4-mini模型完成，并已验证了JSON工具调用和XML标签的结构有效性，过滤了损坏行。该数据集适用于训练或评估土耳其语大语言模型在工具调用、智能体（Agentic）交互等文本生成任务上的能力。数据集由伊斯坦布尔技术大学（ITU）的ITU Perceptron学生团队开发。

原始信息汇总

数据集概述

• 数据集名称: Türkçe Tool-Calling Veri Seti (Turkish Tool-Calling Dataset)
• 许可证: Apache-2.0
• 语言: 土耳其语 (tr)
• 任务类别: 文本生成 (text-generation)
• 标签: tool-calling, function-calling, agentic, turkish
• 数据规模: 10K < n < 100K

数据规模与划分

• 总行数: 14,225
• 训练集: 13,514 条
• 测试集: 711 条

数据来源

该数据集是 Mustafaege/qwen3.5-toolcalling-v2 数据集的土耳其语翻译子集。

数据字段

• messages: 每条对话由包含 {"role", "content"} 字典的列表组成。角色包括: system, user, assistant, answer。

翻译策略

• 翻译内容: 自然语言部分（用户问题、助手回答、<think> 推理、工具描述、系统指令）被翻译为土耳其语。
• 保留原样: 技术结构部分（函数名称、JSON 键、<tool_call> 参数、<tool_response> 输出、代码和 XML 标签）保持英文/原始形式。
• 翻译模型: GPT-5.4-mini
• 质量验证: 验证了结构完整性（有效 JSON tool_call、平衡 XML 标签），过滤了格式错误的行。

数据使用示例

python import pandas as pd from datasets import load_dataset

ds = load_dataset("ituperceptron/turkish-tool-calling") df = pd.DataFrame(ds["train"]) print(df.head())

开发团队

由伊斯坦布尔理工大学 (İstanbul Teknik Üniversitesi) 学生组成的 ITU Perceptron 团队开发。联系方式: [e-mail]

搜集汇总

数据集介绍

构建方式

该数据集是源自`Mustafaege/qwen3.5-toolcalling-v2`的土耳其语翻译子集，由伊斯坦布尔技术大学的ITU Perceptron团队构建。构建过程中，使用了GPT-5.4-mini模型对自然语言部分（如用户问题、助手回复、思考过程、工具描述及系统指令）进行了土耳其语翻译，同时完整保留了函数名称、JSON键值、工具调用参数、工具响应输出、代码及XML标签等技术结构的原始英文形式。原始数据包含14225行，划分为13514条训练样本和711条测试样本。为确保数据质量，团队对所有翻译后的数据进行了结构完整性验证，剔除了包含无效JSON工具调用或不平衡XML标签的畸形行，最终形成了高质量的多轮对话数据集。

特点

该数据集以`messages`列为核心，每条记录是一个包含`system`、`user`、`assistant`、`answer`四种角色对话的列表，每个对话元素以`{"role", "content"}`字典形式呈现。其突出特点在于双语混合架构：自然语言部分采用土耳其语，而技术结构（函数调用、JSON参数、XML标记等）保留英文原貌，这种设计使模型能够理解土耳其语指令并输出结构化的工具调用。数据集规模适中，涵盖十万条以内的样本量，专为工具调用和函数调用场景设计，适用于构建支持土耳其语的智能代理系统。

使用方法

用户可通过HuggingFace的`datasets`库便捷加载该数据集，只需调用`load_dataset("ituperceptron/turkish-tool-calling")`即可获取训练集与测试集。加载后，建议将`messages`列解析为多轮对话格式，用于训练或微调支持土耳其语的工具调用语言模型。数据可直接转换为Pandas DataFrame进行探索性分析，或按照标准指令微调流程构建对话模板。使用时需注意保留技术结构部分的原始英文形式，以维持工具调用的功能完整性。该数据集适用于文本生成任务，特别适合开发能够理解土耳其语指令并执行函数调用的智能代理场景。

背景与挑战

背景概述

随着大语言模型在工具调用与智能体交互领域展现出巨大潜力，针对低资源语言的研究逐渐受到关注。然而，现有工具调用数据集多集中于英语，严重限制了多语言模型在真实场景中的应用能力。为此，伊斯坦布尔理工大学（ITU）Perceptron团队于近年创建了turkish-tool-calling数据集，旨在填补土耳其语在函数调用与工具使用任务上的数据空白。该数据集基于Mustafaege/qwen3.5-toolcalling-v2进行翻译与重构，包含14,225条高质量对话样本，涵盖系统指令、用户查询、模型推理及工具响应等多轮交互结构。通过保留技术结构完整性并确保语义准确，该数据集为土耳其语代理型任务研究提供了重要基础资源，推动了多语言大模型在工具调用领域的发展。

当前挑战

该数据集所解决的核心领域挑战在于，现有工具调用数据集几乎完全以英语为主导，导致土耳其语等非英语语言的大模型在理解工具接口与生成结构化调用时性能显著下降。构建过程中，团队面临多重困难：其一，需在翻译自然语言内容时精准保留函数名称、JSON键值、XML标签等技术结构，避免破坏调用完整性；其二，需采用GPT-5.4-mini模型进行大规模翻译，但机器翻译在术语一致性及上下文连贯性上存在局限；其三，需对所有样本进行结构校验，剔除格式错误的JSON或标签不匹配的无效行，确保数据质量。这些挑战使得高质量土耳其语工具调用数据集的构建充满技术复杂性。

常用场景

经典使用场景

在自然语言处理与智能代理系统交叉领域中，工具调用（Tool Calling）任务逐渐成为评估大语言模型自主决策与外部环境交互能力的重要基准。Turkish Tool-Calling数据集专为土耳其语场景量身打造，通过提供包含系统指令、用户查询、助手推理以及工具调用与响应的多轮对话样本，为研究者在土耳其语环境下训练和评测模型的功能调用与工具使用能力提供了标准化资源。其最经典的使用场景聚焦于让模型学会根据用户意图自主选择并调用合适的API或工具，同时解析返回结果并生成符合上下文的自然语言回复，从而夯实语言模型在真实世界任务中的智能代理属性。

解决学术问题

该数据集有效弥合了当前大语言模型研究领域中低资源语言工具调用能力评测匮乏的空白。许多经典的功能调用数据集集中于英语等高资源语言，导致面向土耳其语的模型在需要与外部系统交互的场景下表现欠佳。通过提供结构完整、质量可控的14,225条土耳其语对话样本，该数据集帮助研究者探索多语言代理系统的泛化瓶颈，分析语言特异性对工具选择与参数推理的影响，并验证翻译对齐策略在跨语言迁移学习中的有效性。其发布推动了包含土耳其语在内的非英语语言在智能代理范式下的学术讨论，促进了更包容、更普适的AI系统构建。

衍生相关工作

该数据集的衍生工作主要集中在多语言工具调用能力迁移与低资源语言代理系统优化两个方向。一方面，研究者可借助该数据集与英文同类数据集（如Qwen3.5-ToolCalling-V2）进行对比实验，分析跨语言知识蒸馏与数据增强策略对模型性能的影响；另一方面，围绕其消息结构构建的微调与评测流程已被后续工作拓展为通用型多语言功能调用基准的一部分。此外，基于该数据集开发的土耳其语工具调用模型也为构建区域性语言模型生态提供了验证范例，激励更多低资源语言数据集的标注与开源工作诞生。