himalaya-ai/nepali-hermes-function-calling-v1

该数据集是一个重新制作的版本，基于hermes-function-calling-v1数据集，使用Adaption的Adaptive Data平台准备。它包含结构化的对话示例，旨在训练语言模型进行函数调用和基于JSON的结构化输出生成。数据集涵盖多样场景，其中AI代理提取信息、执行基于工具的操作，并根据自然语言指令返回格式化响应。它支持任务如工具使用、代理行为以及符合模式的JSON生成。数据集包含2,762个数据点，属于指令调优数据集，最终质量评级为A，相对质量提升80.0%，语言为未知（100%）。

This is a remastered version of the hermes-function-calling-v1 dataset, prepared using Adaption's Adaptive Data platform. It contains structured dialogue examples designed to train language models for function calling and JSON-based structured output generation. The dataset covers a diverse range of scenarios, where AI Agents extract information, execute tool-based operations, and return formatted responses in accordance with natural language instructions. It supports tasks including tool usage, agent behavior, and schema-compliant JSON generation. The dataset consists of 2,762 data points, belonging to the instruction-tuning dataset family, with a final quality rating of A, a relative quality improvement of 80.0%, and 100% of its content in an unspecified language.

搜集汇总

数据集介绍

构建方式

在自然语言处理与智能代理系统迅猛发展的当下，函数调用能力已成为大语言模型实现复杂工具交互的关键技术。该数据集基于公开的hermes-function-calling-v1数据集，借助Adaption Labs的Adaptive Data平台进行了深度重制与质量优化。构建过程中，平台对原始数据进行了系统性清洗、增强与结构重整，最终形成包含2,762条样本的高质量指令微调数据集，整体质量评级达到A级，相对质量提升幅度高达80.0%。

特点

该数据集以结构化对话示例为核心，精心设计了涵盖信息抽取、工具执行与格式化响应等多维场景的交互样本。其显著特点在于聚焦于JSON格式的规范化输出生成，支持工具调用、智能体行为以及符合预定模式的半结构化数据生成任务。每个样本都经过精细编排，使模型能够从自然语言指令中精准提取意图，并执行相应的工具操作，展现出强大的代理式推理能力。

使用方法

研究者可将本数据集直接应用于大语言模型的指令微调与函数调用能力增强训练。使用时，建议将其整合至标准监督微调流程，以对话形式提供输入指令与期望的结构化输出对。模型通过接触这些精心构造的示例，能够逐步习得从自由文本中识别函数调用需求、生成符合JSON Schema的响应内容，并适应多样化工具接口的调用范式，从而显著提升在实际应用场景中的工具使用与结构化输出能力。

背景与挑战

背景概述

在多模态语言模型与工具调用能力快速演进的浪潮中，函数调用与结构化输出生成已成为评估智能体系统实用性的核心指标。nepali-hermes-function-calling-v1数据集由Adaption Labs团队基于Adaotion自适应数据平台对hermes-function-calling-v1源数据集进行重制与增强，于2024年前后发布。该数据集聚焦于训练语言模型从自然语言指令中提取信息、调用工具并生成符合JSON模式的响应，旨在弥合指令理解与工具执行之间的语义鸿沟，为推进Agentic行为建模与Schema遵循能力提供了标准化训练资源。其于指令微调社区的应用，对提升模型在真实场景下函数调用的准确性与鲁棒性具有重要启发意义。

当前挑战

该数据集主要应对两大挑战：首先，在领域问题上，尽管大型语言模型能流畅对话，但其在精确执行函数调用、返回结构合规的JSON输出方面仍存在显著不足，特别是在面对嵌套参数类型与混合工具场景时，易产生模式不匹配或参数缺失问题。其次，在构建过程中，为了保证数据质量，需要对每一条结构化对话示例进行严格审核与改写，以消除低质量翻译、指令模糊及标注不一致的影响。经由Adaption平台重制后，虽然质量等级提升至A级（相对改进80.0%），但原始数据来源中仅包含100%未知语言这一事实，提示多语言泛化与标注一致性的挑战依然严峻。

常用场景

经典使用场景

在自然语言处理与智能代理系统的交汇领域，该数据集被经典地用于微调语言模型以掌握函数调用与结构化JSON输出生成能力。通过提供丰富的多轮对话范例，它使模型能够精准理解自然语言指令中的工具调用意图，将模糊的人类需求转化为符合预定义Schema的格式化响应，从而赋能AI代理执行信息抽取、动作触发等复杂任务。

衍生相关工作

该数据集衍生了针对低资源语言（如尼泊尔语）的函数调用能力适配研究，以及基于Adaption平台的自适应数据优化方法论。相关经典工作包括探索多语言代理系统中的工具学习机制，以及利用重制数据提升小样本场景下模型的JSON生成鲁棒性，推动了指令微调数据质量评估标准的建立。

数据集最近研究

最新研究方向

在自然语言处理与人工智能代理的交叉领域，函数调用与结构化输出生成正成为提升大语言模型工具使用能力的前沿焦点。nepali-hermes-function-calling-v1数据集以多语言对话样本为基础，通过Adaptive Data平台进行重制优化，质量等级跃升至A级且相对提升80%，专为训练模型在复杂指令下精准调用工具、提取信息并生成符合JSON Schema的结构化响应而设计。该数据集紧密关联当前热点事件——智能体系统的自主决策与工具编排，其高质量指令微调样本不仅推动了模型从单纯文本生成向可执行动作的范式转型，更在开源社区中树立了数据集精炼与评估的新标杆，对构建实时交互、高可靠性的AI代理生态系统具有深远意义。