llm-semantic-router/modality-routing-dataset

---
pretty_name: Modality Routing Dataset
task_categories:
- text-classification
language:
- en
configs:
- config_name: default
data_files:
- split: train
path: train.jsonl
- split: validation
path: validation.jsonl
- split: test
path: test.jsonl
---

# Modality Routing Dataset

This dataset materializes the dynamic modality routing data builder used by the local
mmBERT-32K modality router training pipeline. The export is intended for review,
versioning, and uploading to a Hugging Face dataset repository.

## Labels

| Label | ID | Description |
|-------|----|-------------|
| AR | 0 | Text-only requests that should route to an autoregressive LLM. |
| DIFFUSION | 1 | Image-generation requests that should route to a diffusion model. |
| BOTH | 2 | Requests that benefit from both text and image responses. |

## Schema

| Column | Type | Description |
|--------|------|-------------|
| text | string | Input user prompt |
| label | int64 | Integer class id |
| label_name | string | Human-readable class label |

## Splits

| Split | Rows | AR | DIFFUSION | BOTH |
|-------|------|------------|--------------------|--------------|
| train | 3525 | 1399 | 1400 | 726 |
| validation | 756 | 300 | 300 | 156 |
| test | 756 | 301 | 300 | 155 |

## Export Configuration

- `max_samples`: 6000
- `synthesize_both`: 0
- `vllm_synthesis_enabled`: disabled
- `vllm_endpoint`: None
- `vllm_model`: None
- `split_strategy`: 70% train / 15% validation / 15% test with random_state=42

## Sources

- `FredZhang7/stable-diffusion-prompts-2.47M`
- `succinctly/midjourney-prompts`
- `Falah/image_generation_prompts_SDXL`
- `nateraw/parti-prompts`
- `fal/image-generation-prompts`
- `OpenAssistant/oasst2`
- `tatsu-lab/alpaca`
- `databricks/databricks-dolly-15k`
- `stingning/ultrachat`
- `lmsys/lmsys-chat-1m`
- `allenai/WildChat`
- `mqliu/InterleavedBench`
- Optional vLLM-generated BOTH prompts when enabled

## Files

- `train.jsonl`, `validation.jsonl`, `test.jsonl`: upload-friendly JSONL splits
- `label_mapping.json`: label to integer mapping
- `dataset_stats.json`: row counts per split and label
- `export_config.json`: reproducibility metadata for this export
- `hf_dataset/`: local `DatasetDict.save_to_disk()` artifact

pretty_name: 多模态路由数据集（Modality Routing Dataset）
task_categories:
- 文本分类
language:
- 英语
configs:
- config_name: default
data_files:
- split: train
path: train.jsonl
- split: validation
path: validation.jsonl
- split: test
path: test.jsonl

# 多模态路由数据集（Modality Routing Dataset）

本数据集具象化了本地mmBERT-32K多模态路由训练流水线中所使用的动态多模态路由数据构建器。本次导出旨在用于审核、版本管理，并上传至Hugging Face数据集仓库。

## 标签

| 标签名称 | 编号 | 描述 |
|--------|----|-------------|
| AR（Autoregressive LLM） | 0 | 仅需文本的请求，应路由至自回归大语言模型。 |
| DIFFUSION | 1 | 图像生成请求，应路由至扩散模型。 |
| BOTH | 2 | 可同时受益于文本与图像响应的请求。 |

## 数据结构

| 列名 | 数据类型 | 描述 |
|--------|------|-------------|
| text | 字符串（string） | 用户输入提示词 |
| label | 64位整数（int64） | 整数类别编号 |
| label_name | 字符串（string） | 人类可读的类别标签名称 |

## 数据集划分

| 划分集 | 样本总数 | AR类样本数 | DIFFUSION类样本数 | BOTH类样本数 |
|-------|------|------------|--------------------|--------------|
| train | 3525 | 1399 | 1400 | 726 |
| validation | 756 | 300 | 300 | 156 |
| test | 756 | 301 | 300 | 155 |

## 导出配置

- 最大样本数（max_samples）：6000
- 双边样本合成量（synthesize_both）：0
- vLLM合成功能（vllm_synthesis_enabled）：已禁用
- vLLM服务端点（vllm_endpoint）：无
- vLLM模型（vllm_model）：无
- 划分策略（split_strategy）：以随机种子42按70%训练集、15%验证集、15%测试集的比例进行划分

## 数据源

- `FredZhang7/stable-diffusion-prompts-2.47M`
- `succinctly/midjourney-prompts`
- `Falah/image_generation_prompts_SDXL`
- `nateraw/parti-prompts`
- `fal/image-generation-prompts`
- `OpenAssistant/oasst2`
- `tatsu-lab/alpaca`
- `databricks/databricks-dolly-15k`
- `stingning/ultrachat`
- `lmsys/lmsys-chat-1m`
- `allenai/WildChat`
- `mqliu/InterleavedBench`
- 启用时可额外生成vLLM制作的BOTH类提示词

## 相关文件

- `train.jsonl`、`validation.jsonl`、`test.jsonl`：适配上传的JSONL格式数据集划分文件
- `label_mapping.json`：标签与整数编号的映射文件
- `dataset_stats.json`：各划分集及各类别的样本统计文件
- `export_config.json`：本次导出的可复现元数据文件
- `hf_dataset/`：本地`DatasetDict.save_to_disk()`生成的工件目录