jescy525/archon-sft-v1-orchestration

该数据集是AETHER家族SFT数据集的一部分，属于orchestration组，用于工具使用和函数调用的监督微调，针对ARCHON编排角色。数据格式为JSONL ChatML消息，应用了MinHash去重（阈值0.85）。每条记录包含消息（角色为system、user或assistant）、任务类型（如function_calling、code、reasoning_cot等）、来源数据集ID、语言（实际为100%英语，尽管标签包含法语）和系统来源（archon_default或overridden_from_source）。任务类型分布以tool_use_multi（77%）和math_symbolic（21%）为主，其他包括function_calling（1.3%）和protobuf_grpc（0.3%）。数据来源主要为NousResearch的hermes-3-dataset（98.6%）和hermes-function-calling-v1（1.4%）。数据集由prepare_sft.py管道生成（2026-05-25），规模在10万到100万条之间。This dataset is part of the AETHER family SFT datasets, belonging to the orchestration group, designed for supervised fine-tuning of tool use and function calling for the ARCHON orchestration role. The format is JSONL ChatML messages with MinHash deduplication applied (threshold 0.85). Each record includes messages (with roles such as system, user, or assistant), task_type (e.g., function_calling, code, reasoning_cot), source dataset ID, language (actually 100% English despite tags including French), and system_source (archon_default or overridden_from_source). The task_type distribution is dominated by tool_use_multi (77%) and math_symbolic (21%), with others including function_calling (1.3%) and protobuf_grpc (0.3%). The data sources are primarily NousResearchs hermes-3-dataset (98.6%) and hermes-function-calling-v1 (1.4%). The dataset was generated by the prepare_sft.py pipeline (2026-05-25) and has a size between 100K and 1M samples.

搜集汇总

数据集介绍

构建方式

archon-sft-v1-orchestration 数据集隶属于 AETHER 家族，专为大语言模型的指令微调（SFT）而设计，聚焦于编排（orchestration）任务。该数据集以 JSONL 格式存储，遵循 ChatML 消息结构，每条样本包含 messages 字段、task_type 任务类型标签、source_ds 来源标识、lang 语言标签及 system_source 系统提示来源。数据构建流程经由 prepare_sft.py 流水线处理，并应用了 MinHash 去重算法（阈值为 0.85），以确保样本多样性。实际采样显示，98.6% 的数据源自 NousResearch/hermes-3-dataset，1.4% 来自 NousResearch/hermes-function-calling-v1。

特点

该数据集的核心特点在于其鲜明的工具使用与函数调用导向，适用于 ARCHON 编排角色的微调。任务类型分布中，工具使用多轮调用（tool_use_multi）占比高达 77%，数学符号推理（math_symbolic）占 21%，函数调用（function_calling）为 1.3%，protobuf_grpc 占 0.3%——后者为协议缓冲区与 gRPC 相关任务，凸显了数据集在复杂 API 交互场景中的专业性。尽管元数据标注支持英语和法语，实际采样 700 行结果均为 100% 英语，语言字段统一为 'en'。

使用方法

该数据集可直接用于微调开源大语言模型，以增强其工具调用与编排能力。使用时需按 ChatML 格式解析 messages 字段，其中 system 消息可指定系统提示，user 与 assistant 消息构成多轮对话。task_type 字段可辅助按任务类型筛选子集，例如仅保留 tool_use_multi 样本来优化特定能力。source_ds 字段便于追溯数据来源，lang 字段确保仅使用英语数据。建议基于 Hugging Face Datasets 库加载 JSONL 文件，并利用默认的 train 拆分进行训练。

背景与挑战

背景概述

在大规模语言模型微调领域，监督式微调（SFT）数据集的质量与构成直接影响模型在特定任务上的表现。archon-sft-v1-orchestration 数据集由 Nous Research 于2026年创建，是 AETHER 系列 SFT 数据集中的编排（orchestration）子集，旨在提升语言模型在执行工具调用、函数调用与复杂推理任务时的协调能力。该数据集基于 ChatML 格式构建，并采用 MinHash 去重（阈值为0.85）以确保数据多样性。其核心研究问题聚焦于如何通过高质量指令数据驱动模型掌握多步骤任务编排能力。该数据集因其对 ARCHON 系列模型编排角色的针对性优化，在工具使用与多智能体协调领域具有重要影响，为后续研究提供了可复现的基准数据资源。

当前挑战

该数据集面临的核心挑战包括：1）领域问题层面，工具调用与函数编排任务长期受限于真实多步骤交互数据的稀缺性，现有模型常因缺乏细粒度监督信号而难以稳定执行多工具协同操作；2）构建过程中的挑战体现在数据源分布极不均衡——98.6%的数据来自单一源头（NousResearch/hermes-3-dataset），而任务类型中77%为 tool_use_multi，其他类型如 protobuf_grpc 仅占0.3%，导致模型可能对特定模式过拟合；3）尽管标注支持英语与法语，实际抽样检测显示100%为英语数据，语言多样性目标未能实现；4）原始设计文档与实际构建数据之间存在显著偏差，反映出管道执行与规划之间的落差不一致问题。

常用场景

经典使用场景

archon-sft-v1-orchestration数据集专为大型语言模型的指令微调而设计，其核心应用在于训练模型掌握复杂的工具调用与多步推理能力。数据集中超过77%的样本属于tool_use_multi类别，这意味着模型需要学习在单一对话中依次调用多个函数或工具，以完成复合任务。这种设计使得该数据集成为训练AI代理（Agent）系统的理想素材，尤其适用于需要动态编排外部API、数据库查询或代码执行引擎的交互场景。通过提供结构化的ChatML格式消息和明确的task_type标签，该数据集能够高效引导模型从简单的对话响应转向主动的任务编排与执行，为构建自主决策的智能体奠定了坚实基础。

实际应用

在实际应用中，该数据集训练的模型可被部署于自动化工作流引擎、智能客服系统和企业级AI编排平台。以工具调用场景为例，模型能够根据用户指令自动解析需求、调用支付网关API获取交易数据、查询CRM系统检索客户信息、并通过代码生成模块生成定制化报告——整个过程无需人工干预。在软件开发领域，基于该数据集的模型可协助开发者完成数据库模式定义、gRPC接口生成和微服务编排等任务。其protobuf_grpc专项数据更是直接服务于云原生架构下的服务间通信场景，使AI能够理解并生成结构化协议定义，从而加速现代分布式系统的构建与维护。这些能力使得该数据集成为连接自然语言交互与后端系统操控的关键桥梁。

衍生相关工作

该数据集衍生了多项具有启发性的研究工作，其中最直接的是其上游来源——NousResearch的hermes-3-dataset和hermes-function-calling-v1，分别贡献了98.6%和1.4%的原始数据。基于此，研究者进一步开发了针对工具调用轨迹的算法，例如通过MinHash去重（阈值0.85）确保数据多样性，以及利用task_type标签进行分层采样以平衡不同技能的训练分布。此外，该数据集推动了以ARCHON系列为代表的多角色编排模型的演进，其中orchestration组专门负责任务调度与资源协调。后续工作包括在数据集上应用课程学习策略，先训练单一工具调用，再逐步过渡到多工具编排任务；以及引入对抗性噪声样本以增强模型在异常输入下的鲁棒性。这些探索共同丰富了面向AI代理的SFT方法论体系。