synthengine-cot-edge-case-v1

SynthEngine CoT边缘案例数据集v1.0是一个专门为自动驾驶、机器人和具身人工智能设计的高质量合成链式思维推理数据集。它旨在应对行业从单纯感知数据向推理数据转型的需求，基于NVIDIA Alpamayo-R1和UC Berkeley Embodied CoT的研究成果，这些研究显示链式因果关系推理能显著提高自动驾驶规划准确性和机器人策略成功率。数据集包含1000条记录，以JSONL格式存储，每条记录平均有5.9个推理步骤。数据涵盖7个主要场景领域：恶劣天气行车（20.4%）、行人鬼探头（18.2%）、机械臂精密抓取（14.4%）、电单车切入（14.0%）、儿童高温安全（13.9%）、宠物避让（9.9%）和货物掉落（8.8%），每个场景标注了4个严重程度级别（低/中/高/关键）。每条记录包含12个结构化字段：唯一标识符（scenario_id）、场景类型标签（中英文版本）、详细环境描述文本（67-709字符）、链式思维推理步骤数组（通常4-8步）、可执行控制指令（force_control_action）、严重程度分类和数值评分，以及生成元数据（版本、模型、温度等）。数据集适用于多种任务，包括微调视觉-语言-动作模型用于自动驾驶规划、训练具身机器人推理策略（如OpenVLA、RT-2、Octo）、增强自动驾驶仿真的边缘案例测试、评估自主系统的安全推理能力，以及为小型推理模型进行链式思维知识蒸馏。数据集样本采用CC BY-NC-SA 4.0许可。SynthEngine CoT Edge Case Dataset v1.0 is a high-quality synthetic chain-of-thought reasoning dataset specifically designed for autonomous driving, robotics and embodied artificial intelligence. It addresses the industry's growing need to shift from pure perception data to reasoning-oriented data. Built upon the research findings from NVIDIA Alpamayo-R1 and UC Berkeley Embodied CoT, which demonstrated that causal chain-of-thought reasoning can significantly improve the accuracy of autonomous driving planning and the success rate of robotic policies. The dataset contains 1,000 records stored in JSONL format, with an average of 5.9 reasoning steps per record. The dataset covers 7 major scenario domains: driving in adverse weather conditions (20.4%), sudden pedestrian darting out (18.2%), precision robotic arm grasping (14.4%), electric two-wheeler cutting in (14.0%), child hyperthermia safety (13.9%), pet avoidance (9.9%), and cargo falling from vehicles (8.8%). Each scenario is annotated with 4 severity levels: low, medium, high, and critical. Each record includes 12 structured fields: unique identifier (scenario_id), scenario type labels (both Chinese and English versions), detailed environmental description text (67–709 characters), array of chain-of-thought reasoning steps (typically 4–8 steps), executable control instruction (force_control_action), severity classification and numerical score, as well as generation metadata (version, model, temperature, etc.). The dataset is applicable to a variety of tasks, including fine-tuning vision-language-action (VLA) models for autonomous driving planning, training embodied robotic reasoning policies (e.g., OpenVLA, RT-2, Octo), enhancing edge case testing for autonomous driving simulations, evaluating the safe reasoning capabilities of autonomous systems, and conducting chain-of-thought knowledge distillation for small-scale reasoning models. Dataset samples are licensed under CC BY-NC-SA 4.0.

原始信息汇总

SynthEngine CoT Edge Case Dataset v1.0

高质量合成思维链推理数据集，专为自动驾驶、机器人技术和具身AI的边界情况设计。

📊 数据集概况

指标	数值
总记录数	1000
格式	JSONL（每行一个JSON对象）
平均思维链步骤数	5.9步/条
场景类别数	7个场景域
严重等级	4级（低/中/高/严重）
大小	约1.5 MB
生成模型	DeepSeek Chat（温度0.85）
版本	1.0.0

🏷️ 场景类别分布

类别	记录数	描述
adverse_weather（恶劣天气行车）	204 (20.4%)	大雨、雾天、夜间驾驶、水滑
pedestrian_dart_out（行人鬼探头）	182 (18.2%)	行人从遮挡处突然出现
fragile_grasp（机械臂精密抓取）	144 (14.4%)	力控易碎物体抓取
motorcycle_cut_in（电单车切入）	140 (14.0%)	相邻交通突然切入
child_heat_safety（儿童高温安全）	139 (13.9%)	儿童靠近高温危险推理
pet_avoidance（宠物避让）	99 (9.9%)	宠物意外穿越机器人路径
falling_cargo（货物掉落）	88 (8.8%)	前车掉落大型物体
generic_edge_case（通用边界情况）	4 (0.4%)	未分类的边界情况

📋 数据格式

每条记录包含以下字段：

字段	类型	描述
scenario_id	string	唯一ID（SynthEngine-XXXX）
scenario_type	string	标准化类别标签
scenario_type_zh	string	中文类别标签
scenario_type_original	string	原始标签
environment_description	string	详细场景描述（67-709字符）
chain_of_thought	string[]	4-8步推理链
force_control_action	string	可执行的控制指令
severity	string	严重等级（low/medium/high/critical）
severity_numeric	int	数值化严重程度（1-4）
version	string	数据集版本
source_model	string	生成模型
source_temperature	float	生成温度
product	string	数据集名称

🔬 使用场景

• 微调VLA（视觉-语言-动作）模型用于自动驾驶规划
• 训练具身推理用于机器人策略（OpenVLA、RT-2、Octo）
• 自动驾驶仿真测试的边界情况增强
• 自主系统的安全推理评估
• 用于小型推理模型的思维链蒸馏

📄 许可

• 本仓库样本：CC BY-NC-SA 4.0（10条免费记录）
• 完整数据集：商业许可

📬 联系

• 网站：https://synthengine-data.com

相关研究

• NVIDIA Alpamayo-R1: Chain of Causation for Autonomous Driving — 规划准确率提升+12%
• Embodied Chain-of-Thought Reasoning (UC Berkeley/Stanford) — 机器人成功率提升+28%

搜集汇总

数据集介绍

构建方式

该数据集基于DeepSeek Chat模型在温度参数0.85条件下生成，涵盖7个极端场景域，包括恶劣天气、行人鬼探头、机械臂精密抓取等类别，每个场景通过4至8步的因果推理链（Chain-of-Causation）进行结构化描述。每条记录包含环境描述、推理步骤、控制指令与严重性等级，共计1000条JSONL格式数据。

特点

数据集以因果推理为核心，平均包含5.9步推理链，覆盖低、中、高、临界四个严重性层级。其设计紧跟学术前沿，例如NVIDIA Alpamayo-R1和UC Berkeley的具身CoT研究，旨在提升自动驾驶规划准确性与机器人策略成功率。样本采用CC BY-NC-SA 4.0许可，完整数据需商业授权。

使用方法

适用于微调视觉-语言-动作模型（如OpenVLA、RT-2）以实现自动驾驶规划，或用于具身推理训练与极端场景扩充。用户可从HuggingFace获取10条免费样本进行测试，完整数据集需通过Gumroad获取商业许可，并遵循CC BY-NC-SA 4.0协议进行非商业使用。

背景与挑战

背景概述

该数据集由SynthEngine团队于2025年创建，聚焦于自动驾驶、机器人与具身智能领域中的边缘场景推理。受NVIDIA Alpamayo-R1和UC Berkeley Embodied CoT等研究的启发，这些研究表明因果推理链可显著提升规划准确性与机器人策略成功率，数据集旨在解决从传统感知数据向推理数据转型的核心研究问题。包含七类场景（如恶劣天气、行人鬼探頭、精密抓取），共1000条记录，每条均配备平均5.9步的思维链，为视觉-语言-动作模型的微调与安全推理评估提供了稀缺的高质量资源，对推动具身智能的因果推理发展具有重要影响力。

当前挑战

该数据集应对的领域挑战在于：自动驾驶与机器人系统在边缘场景（如暴雨夜行、儿童高温危险）中缺乏可解释的因果推理能力，传统感知数据无法支撑安全决策，导致规划准确率与避障成功率低下。构建过程中的挑战包括：如何通过合成生成策略覆盖低概率高风险事件（如货物掉落、宠物避让），确保场景多样性与现实保真度；如何设计结构化思维链（每步需具备逻辑递进关系）并标准化七类场景的标注粒度；以及如何在有限样本（1K）中平衡类别分布，避免长尾效应影响模型泛化能力。

常用场景

经典使用场景

在自主驾驶与具身智能的前沿探索中，该数据集被广泛用于微调视觉-语言-动作模型（VLAs），以增强自动驾驶系统的规划能力。通过注入链式思维推理数据，模型能够应对暴雨、夜间低能见度、行人鬼探头等极端边缘场景，显著提升决策的逻辑连贯性与环境适应性。同时，它也为机器人策略训练提供了高质量的推理示教，支持OpenVLA、RT-2等模型的具身推理能力优化。

解决学术问题

该数据集直面自主系统在复杂边缘场景中推理能力不足的学术难题。传统感知驱动方法在罕见或高动态环境下常出现规划失误，而该数据通过结构化的因果推理链（Chain-of-Causation），使模型掌握从环境评估到行动抉择的完整认知路径。研究表明，此类数据可提升自动驾驶规划精度达12%，并将危险接近事件降低35%，为可靠自主决策提供了可复现的推理基准。

衍生相关工作

围绕该数据集衍生了一系列标志性工作，其中最受瞩目的是NVIDIA提出的Alpamayo-R1模型，该模型引入因果链推理机制，在自动驾驶规划任务上实现了突破性进步。同样，UC Berkeley与Stanford合作的Embodied CoT研究证明了推理增强可将机器人策略成功率提升28%，这些工作共同揭示了推理数据在缩小模拟与真实世界鸿沟中的核心价值，推动了链式思维蒸馏等新范式的形成。