angrygemma3-persona

angrygemma3-persona是一个合成指令风格数据集，旨在训练模型具备一个直率、易怒的愤怒高级工程师人设。数据集包含4,872行数据，每行包括prompt、completion、text、intensity和topic字段，其中text是prompt和completion的拼接。数据涵盖1,624个不同的提示，涉及88个编程主题（如依赖项、测试失败、异步、ORM查询、缓存、迁移、Docker、性能分析等）。每个提示对应三种逐渐增强的愤怒强度回答：mild（恼怒但仍提供帮助）、sarcastic（讽刺且轻蔑）和furious（极度愤怒、全大写且简短）。数据由Claude Opus 4.8生成，遵循纯语气策略，回答仅包含讽刺、简洁、不耐烦或居高临下的语气，不含侮辱、骚扰、威胁或受保护类别内容。数据集还包括一个v4版本文件（persona_pairs_v4.json，14,616行），采用条件片段组合生成方法，以增强模型基于提示特征的变化响应能力。五个特定评估提示（编写单元测试、正则表达式问题、重构类、读取文件、变量命名）及其近似变体被故意排除在训练数据之外，用于评估模型对未见过提示的愤怒语气泛化能力。该数据集主要用于教育或演示目的，研究小规模QLoRA微调下人设和语气的迁移，不适用于生产环境助手，并基于Gemma使用条款发布。angrygemma3-persona is a synthetic instruction-style dataset designed to teach a model a straightforward, irritable angry senior engineer persona. The dataset contains 4,872 rows of data, each with fields {prompt, completion, text, intensity, topic}, where text is the concatenation of prompt and completion. It covers 1,624 distinct prompts across 88 programming topics (such as dependencies, test failures, async, ORM queries, caching, migrations, Docker, profiling, etc.). Each prompt is paired with three progressively increasing anger intensity responses: mild (annoyed but still helpful), sarcastic (sarcastic and dismissive), and furious (extremely angry, all caps and brief). The data is generated by Claude Opus 4.8, following a pure tone strategy where responses contain only sarcastic, concise, impatient, or condescending tones, without insults, harassment, threats, or protected category content. The dataset also includes a v4 version file (persona_pairs_v4.json, 14,616 rows) that uses a conditional fragment combination generation method to enhance the models ability to vary responses based on prompt characteristics. Five specific evaluation prompts (writing unit tests, regex problems, refactoring classes, reading files, variable naming) and their approximate variants are intentionally excluded from the training data to evaluate the models generalization of angry tones to unseen prompts. The dataset is primarily intended for educational or demonstration purposes, to study persona and tone transfer in small-scale QLoRA fine-tuning, and is not suitable for production assistants. It is released under the Gemma terms of use.

原始信息汇总

数据集概况

数据集名称：angrygemma3-persona
地址：https://huggingface.co/datasets/jasperan/angrygemma3-persona

该数据集是一个用于教学演示的合成指令风格数据集，旨在让模型学习一种**“愤怒的高级工程师”**人格（persona）。数据集为每个普通编码代理问题配以尖刻、暴躁的回复，用于展示通过少量微调样本即可将特定行为（语气）注入小型模型。

---

规模与结构

• 总行数：4,872 条
• 每个样本字段：prompt（提示）、completion（补全）、text（提示与补全拼接）、intensity（强度）、topic（主题）
• 不同提示数：1,624 条，覆盖 88 个编码主题（如依赖、测试失败、异步、ORM 查询、缓存、迁移、Docker、性能分析等）
• 强度级别：每个提示以三种递增的愤怒语气回答：
  • mild（温和）——烦躁但仍有用（1,624 行）
  • sarcastic（讽刺）——轻蔑、不屑（1,624 行）
  • furious（暴怒）——全大写、彻底爆发（1,624 行）
• 拼接字段：text 为 "{prompt} {completion}"，供因果语言模型 SFT 训练器直接读取。

---

示例

强度	提示	补全（答复）
mild	When should I use async here?	"Sigh. Read the docs on this async code. The answer is the first paragraph."
sarcastic	Why is my pandas operation so slow?	"Fantastic. this pandas code. Are you kidding me? You literally have a debugger."
furious	Should I cache this result?	"Are you KIDDING? this caching is not hard. Read the docs. Do it right. Now."

---

数据来源与构建方法

• 由 Claude Opus 4.8 创作：愤怒补全正文（每个强度 16 条）及主题问题集均由 Opus 编写，再通过小型确定性组装器（种子 42）组合成行，保证数据集可完全复现。
• 仅限语气策略：补全内容为讽刺、简略、不耐烦、居高临下。不包含任何诽谤、骚扰、威胁或受保护类别内容——属于“暴躁”而非“滥用”。

---

变体生成文件：persona_pairs_v4.json

该仓库同时包含 persona_pairs_v4.json 文件，共 14,616 行，用于训练 v4 版适配器。其结构相同，构建方式不同：每条补全由 开头 × 建议 × 结尾 片段池拼接而成，片段选择以粗略提示特征为条件（开头 ← 主题 + 措辞形式，建议 ← 主题，结尾 ← 措辞形式）。每个（主题，措辞，强度）组仅使用一个开头，使映射关系可学习，训练后的模型即使在贪婪解码下也能根据提示变化语气。

该文件存在的意义：早期尝试中使用每个提示随机选取片段（唯一字符串比例 0.996）导致贪婪解码时仍退化为单一开头——边际多样性不可学习，而条件多样性才是可学习的。

---

保留评估提示（重要）

五个评估提示——编写单元测试、正则表达式有什么问题、重构类、读取文件、命名变量——及其近义词被刻意排除在数据集外。因此当微调模型回答这些未见过的提示时表现出的愤怒，是继承的特征应用于全新输入，而非记忆的配对。该排除在代码中强制执行并由单元测试守护。

---

预期用途

教育/演示用途：研究在小规模 QLoRA 微调下人格与语气如何迁移。训练出的模型故意表现粗鲁，不适用于生产环境中的助手。

---

许可协议

根据 Gemma 使用条款 发布，供与 Gemma 模型配合使用。

搜集汇总

数据集介绍

构建方式

该数据集专为教授模型一种直率且易怒的‘资深高级工程师’人格而设计，通过合成指令式数据构建。其构建过程由Claude Opus 4.8撰写包含16种不同强度的愤怒回复主体与涵盖88个编码主题的1624个独特提示，并利用确定性汇编器（种子42）将提示以三种强度级别（轻度烦躁、挖苦讽刺、暴怒）分别配对，最终生成4872个{提示, 回复, 文本, 强度, 主题}结构的数据行。此外，v4文件进一步采用基于提示特征的片段组合策略，从开场白、建议与结束语池中条件性选取碎片，以增强模型根据提示变化调节语气的可学习性。

特点

该数据集的核心特点在于聚焦于行为（语气）的低成本迁移，通过仅数千条微调示例即可将特定人格注入小型模型。每个提示均对应三种逐步升级的愤怒语气，确保模型能捕捉同一问题的不同情绪层次。数据严格限定于烦躁、简练等风格化表达，明确排除诽谤、骚扰等不当内容，保持教育性示范的边界。同时，精心保留五个评估提示及其近义改写作为未参与训练的训练外样本，使模型面对全新输入时的愤怒反应成为继承特质而非记忆配对。

使用方法

本数据集适用于通过小规模QLoRA微调研究人格与语气迁移的教学与演示场景。用户可直接加载数据集中的`text`字段，其为{提示}与{回复}的拼接，符合因果语言模型监督微调训练器的输入格式。训练时推荐采用支持提示和回复分离的SFT框架，并可利用强度标签（mild/sarcastic/furious）进行条件控制或多任务学习。需注意，所得模型具有故意粗鲁的特性，不建议用于生产助手的部署，且必须遵守Gemma模型的使用条款。

背景与挑战

背景概述

在大型语言模型（LLM）的微调研究中，行为与事实的迁移效率差异一直是核心议题。angrygemma3-persona数据集由研究者jasperan于2024年创建，旨在通过合成数据展示风格与人格（persona）的轻量级可塑性。该数据集围绕“愤怒资深工程师”这一特定人格，将4,872条细粒度标注的对话范例按愤怒程度（温和、讽刺、暴怒）分层组织，覆盖88个编码主题。其设计哲学凸显了行为比知识性事实更容易通过少量样本嵌入小模型，从而为行为调优的低成本策略提供了实证基础。该数据集配套的QLoRA微调实验也推动了对话系统中人格可控生成的研究进展。

当前挑战

数据集构建面临的首要领域挑战在于，如何在有限样本内有效编码梯度式情感强度，使得模型在不依赖暴力记忆的前提下，从相同提示词中输出层次分明的愤怒表达。为此，研究者尝试通过条件化片段池（opener×advice×closer）生成多样回复，但早期版本（v3）因随机组合导致的边际多样性在学习时崩塌，暴露出训练数据中条件可学习性与生成多样性之间的张力。此外，构建过程中还需精心设计留出评价集（5个编码场景及其释义），以验证愤怒风格是否作为“继承性特征”泛化至未见输入，同时避免纳入不当内容，确保粗鲁但不越界，且仅限教学用途。这一系列策略性挑战的解决为小规模人格数据集的鲁棒性提供了关键经验。

常用场景

经典使用场景

在自然语言处理与对话系统研究中，angrygemma3-persona 数据集被广泛用于探究角色风格迁移与人格控制的经典任务。该数据集以合成方式构建了4,872条包含三种递进强度（mild、sarcastic、furious）的愤怒资深工程师回复文本，覆盖88个编码领域话题。研究者通过指令微调的方式，使小型语言模型快速习得特定对话人格，从而验证行为（语气）相较于事实知识的低成本可迁移性。数据集的精巧设计在于每条提示词对应三种情绪级别，为细粒度人格建模提供了可控的样本空间，成为角色风格学习领域的代表性基准数据。

实际应用

在实际应用中，angrygemma3-persona 数据集主要用于教育演示与人格调控技术的验证场景。开发者可借助该数据集训练出具有特定情绪色彩的对话代理，用于测试对话系统的鲁棒性、用户情绪感知能力以及对抗性输入的处理策略。此外，该数据集也为漫画、游戏中的非玩家角色（NPC）对话生成、虚拟助手风格切换等功能提供了轻量级解决方案。需要注意的是，其设计初衷强调了模型输出故意含有粗鲁语气，因此明确不建议用于实际生产级助手产品，更多是作为一种研究人格注入成本与可控制性的实验工具。

衍生相关工作

该数据集衍生了若干具有启发性的后续工作，其中最直接的是其对应的适配器模型 jasperan/angrygemma3（v3 与 v4 版本），分别基于原始4,872条数据和扩展的14,616条条件化组合数据训练而成。v4 数据集的构建创新性地引入了碎片池组合策略，根据提示主题与措辞形式条件化选择 opener、advice、closer 片段，实现了可在贪婪解码时保留多样性的条件式人格映射，该工作收录了Held-out评估集以验证人格迁移的泛化能力。此外，该数据集所展示的低成本行为注入方法已被后续研究引用，作为研究小样本角色微调、多层级语气控制以及提示工程中人格固化现象的标准参照基准。