build-small-hackathon/AI-Puppet-Theater-Actor-SFT

AI Puppet Theater Actor SFT是一个合成监督微调数据集，专为AI Puppet Theater / The Runaway Puppet Show中的Actor代理设计。该数据集用于教导小型语言模型以紧凑的JSON对象响应单个木偶剧场节拍，适用于黑客马拉松原型设计、模式遵循和本地适配器实验，不适用于通用讲故事或聊天任务。数据集中每个条目为聊天风格的JSONL格式，包含系统、用户和助理角色消息，其中助理响应为序列化的JSON对象，包括意图、台词、情感、手势、舞台效果、记忆更新和工具请求等字段。数据集通过确定性模板生成，基于固定种子、多个前提、演员配置等元素，并支持可选外部种子源。其用途包括微调小型模型以生成Actor代理JSON、测试结构化输出和工具请求形状、以及黑客马拉松原型开发。局限性包括合成和模板驱动、记忆弧线浅、仅限Actor代理等。AI Puppet Theater Actor SFT is a synthetic supervised fine-tuning dataset specifically designed for the Actor agents in AI Puppet Theater / The Runaway Puppet Show. This dataset is intended to teach small language models to respond to individual puppet theater beats with compact JSON objects, and is tailored for hackathon prototyping, pattern adherence, and local adapter experiments, but not for general storytelling or chat tasks. Each entry in the dataset follows a chat-style JSONL format, containing system, user, and assistant role messages, where the assistant's response is a serialized JSON object including fields such as intent, lines, emotion, gestures, stage effects, memory updates, and tool requests. The dataset is generated using deterministic templates based on elements including fixed seeds, multiple premises, and actor configurations, and supports optional external seed sources. Its use cases include fine-tuning small models to generate Actor agent JSON, testing structured output and tool request formats, and hackathon prototype development. Its limitations include being synthetic and template-driven, having shallow memory arcs, and being exclusively limited to Actor agents, among others.

搜集汇总

数据集介绍

构建方式

该数据集专为AI Puppet Theater项目中的Actor智能体设计，通过监督微调合成数据构建而成。其生成过程依托确定性模板，基于固定种子、多种前提场景、演员档案、道具、情绪、舞台效果及导演指令等要素，自动合成每一轮对话数据。数据以Chat风格的JSONL格式组织，每条记录包含系统提示、用户输入和助手输出，其中助手输出为严格遵循模式的JSON对象，涵盖意图、台词、情绪、手势、舞台效果、记忆更新及工具调用等字段。此外，该数据集可选地吸纳来自TheatreLM和RPGPT等外部数据源的行，作为前提与角色的种子素材，但最终的辅助补全内容仍由验证过的Actor JSON模板生成，确保结构一致性与可复现性。

使用方法

该数据集主要用于对小型语言模型进行监督微调，使其能够针对AI Puppet Theater中的单个木偶剧节拍输出紧凑的JSON响应。用户可利用该数据训练模型精准遵循Actor智能体的结构化输出模式，包括生成意图识别、台词、情绪、手势、舞台效果及工具调用等字段。在Hackathon原型设计或本地适配器实验中，可直接加载JSONL格式数据，结合标准SFT框架进行训练。数据集内的train/test划分及验证工具已内置，支持快速评估模型对输出格式的遵从程度。使用时需注意，该数据集不适用于通用对话或长篇故事生成任务，且运行时仍依赖独立的JSON验证、消毒及确定性回退机制，以确保输出安全与可靠性。

背景与挑战

背景概述

AI-Puppet-Theater-Actor-SFT数据集由小型黑客松团队于近期构建，旨在为AI木偶剧场中的Actor智能体提供监督微调数据。该数据集聚焦于使小型语言模型能够根据单个木偶剧节拍生成紧凑的JSON对象，严格遵循预定义的模式，包括意图、台词、情感、手势、舞台效果、记忆更新及工具请求等字段。作为针对特定领域结构化输出的训练资源，它在模式遵循、工具调用和原型验证方面具有独特价值，为后续的可复现实验和适配器开发奠定了基础。

当前挑战

该数据集面临的核心挑战在于解决结构化输出与叙事深度之间的张力：一方面，模型需精准产出符合模式的JSON格式，包括工具请求和舞台动效，这要求严格的语法与逻辑约束；另一方面，当前的模板驱动生成方式限制了丰富长剧情的表达能力，记忆弧线仅局限于单行上下文，难以支持连贯的剧情展开。此外，构建过程中需要平衡合成数据与可选外部种子（如TheatreLM角色数据）的合规性与质量，同时运行时仍需依赖JSON验证、消毒和确定性回退机制，确保输出安全可靠。

常用场景

经典使用场景

在计算语言学与交互式叙事系统的交汇处，AI-Puppet-Theater-Actor-SFT数据集为小型语言模型提供了一种精巧的监督式微调范式。该数据集专为AI木偶剧场中的Actor智能体设计，通过合成对话样本教导模型输出符合特定JSON模式的紧凑结构化响应。其经典使用场景在于引导模型理解剧场节拍（puppet-theater beat）并生成包含意图、台词、情感、手势、舞台效果、记忆更新及工具请求的标准化JSON对象。这一过程不仅考验模型对结构化模式的遵循能力，还要求其在有限的上下文内完成角色行为决策，从而为开源社区在资源受限环境下的原型开发与适配器实验提供了可复现的基准数据。

解决学术问题

该数据集直面小规模语言模型在结构化输出与行为契约遵循方面的核心挑战。在学术研究中，它解决了如何使参数量受限的模型具备可靠的JSON Schema遵循能力、工具调用请求生成能力以及短文本戏剧性台词创作能力这一难题。通过提供定点的合成训练样本，研究者得以探索轻量级模型在特定领域智能体行为控制中的边界与潜力。其意义在于，它打破了传统上需依赖大规模通用模型方能实现的复杂结构化输出任务，转而通过精心设计的数据生成管道，使得小型模型在特定场景下也能展现令人满意的语义理解与行为编排能力，为低资源场景下的智能体研究开辟了新路径。

实际应用

在实际应用中，该数据集驱动了AI木偶剧场系统中Actor智能体的行为实现。以MiniCPM5等小型模型为载体，经过微调的智能体能够在实时剧场演出中根据当前舞台状态、角色属性及导演指令，自主生成合理的角色行为JSON描述，包括检查道具、咨询舞台神谕、调整灯光等操作。这一能力被集成至Gradio原型系统中，供开发者在黑客松或快速演示场景中测试结构化输出、工具请求形状及安全过滤机制。此外，数据集的确定性模板生成方法确保了训练数据的可追溯性与复现性，使其成为验证结构化输出Pipeline及本地适配器实验的理想工具。

数据集最近研究

最新研究方向

该数据集聚焦于结构化输出驱动的小型语言模型微调，在AI剧场这一前沿交互叙事领域中，通过合成监督微调数据训练智能体（Actor）生成紧凑的JSON指令，实现道具检查、灯光控制等舞台行为的工具调用与状态更新。其研究意义在于为基于模式遵循的逻辑行为生成提供了一种可复现的快速原型设计范式，特别适用于黑客松实测与本地适配实验。该方向与当前大模型在可控文本生成、智能体协调及嵌入式剧场型应用中的趋势紧密关联，代表了从开放文本生成向严格结构化交互转型的实践探索。