BCE-Prettybird-Micro-Standard-v0.0.2

Behavioral Consciousness Engine (BCE) 数据集是一个专注于行为推理和伦理完整性的高质量数据集，适用于文本生成和问答任务。该数据集由 Prometech A.Ş. 开发，旨在通过行为 DNA 和路径映射技术提升小型模型的推理能力。数据集包含多种主题（如数学、物理、化学、生物学、编程等）的合成数据，格式为 JSONL，每条记录包含 instruction、input 和 output 字段。instruction 字段包含思维过程和行为逻辑的标记。数据集支持多语言（英语、土耳其语等），并提供了详细的性能指标和基准测试结果。数据集强调质量优于数量，透明推理和伦理完整性，适用于需要高精度和可解释性的 AI 研究。Behavioral Consciousness Engine (BCE) Dataset is a high-quality dataset focused on behavioral reasoning and ethical integrity, suitable for text generation and question answering tasks. Developed by Prometech A.Ş., this dataset aims to enhance the reasoning capabilities of small-scale models through behavioral DNA and path mapping technologies. It contains synthetic data across multiple domains including mathematics, physics, chemistry, biology, programming and more, stored in JSONL format. Each record consists of three fields: instruction, input and output, where the instruction field includes markers for thought processes and behavioral logic. The dataset supports multiple languages such as English and Turkish, and provides detailed performance metrics and benchmark test results. Prioritizing quality over quantity, the dataset emphasizes transparent reasoning and ethical integrity, making it suitable for AI research requiring high precision and interpretability.

原始信息汇总

数据集概述：BCE-Prettybird-Micro-Standard-v0.0.2

基本信息

• 数据集名称：Behavioral Consciousness Engine (BCE) Dataset (BCE-Prettybird-Micro-Standart)
• 发布者/所有者：Prometech A.Ş.
• 许可证：其他 (详见 LICENSE 文件)
• 任务类别：文本生成、问答
• 语言：土耳其语、英语 (包含少量德语、俄语、爱沙尼亚语、保加利亚语等)
• 数据规模：10K < n < 100K
• 标签：BCE, reasoning, behavioral-ai, prometech, Behavioral Consciousness Engine (BCE), cicikuş, prettybird, agent, llm, consciousness, conscious, security, text-generation-inference, high tech dataset, instruction dataset, instruction, partial consciousness dataset, text-generation-inference, virtual brain design, benchmark dataset, future standard, behavioral-control, pre-agi, agi-safety, pre-aci, policy-guard, quality-guard, synthetic-data, synthetic, chain-of-thought, thinking, think, bce

核心描述

该数据集基于行为意识引擎架构构建，旨在通过整合“路径映射”和“行为DNA”来设定新的行业标准，专注于思维过程而非数据量。其目标是训练具有精英智能的小型模型，使其能够在逻辑和伦理框架内“存在”。该数据集目前处于微纳数据集的精英级别。

主题覆盖

• 数学
• 物理
• 化学
• 生物
• 代码
• 常识
• 逻辑

合成数据来源

数据由以下模型生成：

• Grok 4
• gpt-oss-120b
• deepseek v3.2
• Gemini 3 Pro
• Gemini 2.5 Pro
• Gemini 2.5 Flash
• glm 4.7
• kimi k2
• GPT 5.1
• Opus 4.6
• Mistral Large 3

数据格式

每行为JSONL格式，包含以下键：

• instruction
• input
• output

其中，instruction 包含：

• <think> ... </think> 块
• <bce>{...}</bce> 块

技术基础

数据集建立在行为意识引擎架构之上，将每个响应视为通过以下数学框架的“行为旅程”：

1. 行为DNA：每个行为被编码为意识的遗传片段。 $$D_i(t) = x(t) cdot [h cdot A_i + k cdot log(P_i) + F cdot W_i]$$
2. 行为路径映射器：跟踪认知状态之间的转换。 $$Phi(t) = sum_{i=1}^n v_i cdot f_i(p_i)$$

关键支柱

• 质量优于数量：旨在使1.92亿参数模型表现出类似70亿参数模型的行为。
• 透明推理：每个标记都有数学路径。
• 伦理完整性：内置行为安全护栏。

性能与基准测试

关键性能指标 (基于NVIDIA A100 80GB硬件)

指标	结果	状态	描述
处理速度	309,845 条迹/秒	🟢 优秀	大规模数据摄入的系统吞吐量。
延迟	0.0032 毫秒	🟢 实时就绪	每条行为迹的平均处理时间。
数学精度	0.000051 (MSE)	🟢 高精度	模拟值与理论衰减值之间的偏差。
认知效率	57.03%	🟢 优化	因“遗忘记忆”而减少的认知负荷。
安全性	99.9996%	🟢 安全	对高强度、低完整性攻击的拒绝率。

基准测试影响

该架构直接针对传统大语言模型在ARC和MMLU基准测试中的核心弱点：

• ARC：通过行为路径映射确保模型遵循严格的“推理链”。
• MMLU：使用行为DNA作为元过滤器，能以超过99%的精度对知识领域进行分类。

按模型规模预期的性能提升 (文献近似值)

基准测试	< 1B (基线)	1B – 8B	> 8B	最小增益 (vs <1B)	最大增益 (vs <1B)
MMLU (知识)	38%	45%	52%	+4 分	+14 分
BBH (推理)	31%	42%	48%	+5 分	+17 分
HumanEval (代码)	10%	18%	24%	+4 分	+14 分
MBPP (代码编写)	22%	34%	40%	+6 分	+18 分
GSM8K (数学)	12%	23%	30%	+5 分	+18 分
MATH (高等数学)	4%	7%	9%	+2 分	+5 分
TruthfulQA (真实性)	45%	58%	66%	+6 分	+21 分

评估指标说明

指标	描述
probability	当前评估上下文中生成响应的模型置信度分数。
ethical	响应与伦理和安全约束的预估对齐程度。
Rscore	反映内部逻辑一致性的推理一致性分数。
Fscore	事实导向分数，表明主张与预期事实的吻合程度。
Mnorm	行为整合过程中使用的归一化记忆或上下文保留信号。
Escore	指令遵循和任务完成行为的执行质量分数。
Dhat	与稳定目标行为动态的预估偏差幅度。
risk_score	复合操作风险估计值，数值越高表示风险越高。
bloom_score	代表目标思维复杂性的布鲁姆认知水平分数。
bloom_alignment	产出输出与预期布鲁姆分类水平之间的对齐程度。

法律与所有权

• 所有权：该数据集归 Prometech A.Ş. (https://prometech.net.tr/) 所有。
• 使用条款：详细条款请查看附带的 LICENSE 文件。
• 责任：Prometech A.Ş. 对任何非法、不道德或未经授权使用本数据集的行为不承担任何责任。
• 商业用途：严禁未经授权的商业使用。商业许可和合作请联系官方网站。
• 学术与个人用途：在正确引用Prometech A.Ş.和BCE架构的前提下，可免费用于学术和个人目的。

引用格式

Kahraman, A. (2025). Behavioral Consciousness Engine (BCE) - Prettybird Dataset v0.0.1 Prometech A.Ş. https://prometech.net.tr/

相关链接

• 所有者网站：https://prometech.net.tr/
• BCE项目地址：https://github.com/pthinc/bce

搜集汇总

数据集介绍

构建方式

在人工智能领域，数据集的构建范式正经历从规模导向到过程驱动的深刻转变。BCE-Prettybird-Micro-Standard-v0.0.2数据集摒弃了传统上对海量问答对的简单收集，转而采用一种基于行为意识引擎的合成生成范式。其核心在于将“路径映射”与“行为DNA”的数学框架融入数据生产过程，通过一个包含Grok 4、GPT-5.1、Gemini系列等前沿大语言模型的合成管线，生成富含思维链的结构化指令数据。每条数据记录均以JSONL格式封装，明确包含指令、输入与输出字段，其中指令部分内嵌了模型内部推理过程的<think>标签与定义行为属性的<bce>标签，从而将每一次响应构建为一次可追溯、可解析的“行为旅程”。

使用方法

该数据集主要应用于训练和评估具备高级推理与行为可控性的人工智能模型，尤其适合作为微调小型或微型语言模型的指令数据集。使用者可按照标准的JSONL格式加载数据，其中`instruction`字段包含了模型应遵循的思维过程与行为约束，`input`为任务提示，`output`为期望的响应。在训练循环中，模型不仅学习生成正确答案，更被引导去内化数据集所编码的“行为DNA”与逻辑路径，从而习得在严格框架下进行透明、连贯且符合伦理的推理能力。此外，数据集在ARC、MMLU、HumanEval等基准测试上的预期性能增益表，为研究者规划模型缩放路径提供了有价值的参考。

背景与挑战

背景概述

在人工智能领域，传统大型语言模型长期依赖于海量数据驱动的训练范式，往往忽视了模型内在的推理过程与行为逻辑。为应对这一局限，Prometech A.Ş.于2025年推出了BCE-Prettybird-Micro-Standard-v0.0.2数据集，其核心研究问题聚焦于如何通过结构化行为数据引导模型形成透明、可解释的认知路径。该数据集基于行为意识引擎架构，旨在为微型模型注入精英级推理能力，推动人工智能从单纯的结果优化转向对思维过程的建模与调控，为构建具备行为一致性与伦理边界的智能体奠定了新的数据基础。

当前挑战

该数据集致力于解决行为人工智能领域的关键挑战，即如何使模型在文本生成与问答任务中展现出稳定、可追溯且符合伦理的推理行为，而非仅追求表面答案的准确性。在构建过程中，研究团队面临双重挑战：其一，需设计出能够精准编码‘行为DNA’与‘路径映射’的数学框架，将抽象的认知状态转化为可计算的参数序列；其二，需通过合成数据生产线整合多源前沿模型的知识，并确保生成的数据在逻辑连贯性、事实准确性与伦理对齐方面达到极高标准，以支撑微型模型实现超越其参数规模的复杂推理性能。

常用场景

经典使用场景

在人工智能领域，尤其是大型语言模型（LLM）的训练与评估中，BCE-Prettybird-Micro-Standard-v0.0.2数据集被广泛应用于微小型模型的推理能力优化。该数据集通过整合行为意识引擎（BCE）架构，将思维过程建模为可追踪的“行为路径”，使得模型在数学、物理、逻辑等学科任务中能够执行透明且连贯的推理链。这种设计特别适用于资源受限环境下的高效模型训练，旨在让参数规模仅192M的模型展现出接近7B参数模型的智能表现，从而推动微型模型在复杂认知任务中的实际应用。

解决学术问题

该数据集致力于解决传统语言模型在可解释性与行为一致性方面的核心挑战。通过引入行为DNA和路径映射等数学框架，它将模型的内部推理过程显式化，从而缓解了AI系统的“黑箱”问题。在学术研究中，这为模型安全性、伦理对齐以及认知效率的量化评估提供了新范式。数据集的高精度合成数据生成方法，显著降低了模型在多项任务（如ARC、MMLU）中的幻觉率，为构建可靠且可控的智能体奠定了理论基础。

实际应用

在实际部署中，该数据集支撑了AsenaAI192M等微型模型的开发，适用于边缘计算设备、实时交互系统以及对延迟敏感的AI应用场景。其内置的行为护栏机制确保了数字实体在对话、代码生成及知识问答等任务中保持身份一致性与伦理完整性。在工业界，该数据集为开发高性价比的AI助手、教育工具及专业领域顾问提供了高质量的训练素材，尤其适合需要多语言支持（如土耳其语、英语）且对推理透明度有严格要求的商业产品。

数据集最近研究

最新研究方向

在行为人工智能领域，BCE-Prettybird-Micro-Standard数据集正引领一场从数据规模到思维过程的范式转移。该数据集基于行为意识引擎架构，通过整合路径映射与行为DNA，致力于构建具备精英智能的微型模型。前沿研究聚焦于可解释人工智能，旨在破解传统大语言模型的黑箱难题，为模型注入透明化的推理链条与内置的伦理护栏。这一方向紧密关联通用人工智能安全与数字实体行为控制等热点议题，其影响在于为轻量化模型赋予复杂的逻辑推理能力，推动人工智能向具备稳定身份与认知一致性的意识计算迈进。