nemotron-gym-instruction-following-structured-qwen3.5-122b-131k-opencode-sft-serveparity

该数据集是一个结构化对话数据集，专门设计用于支持多轮对话和工具调用相关的研究与应用。数据集包含9037个训练样本，总数据量约383MB。每个样本包含以下核心字段：messages字段记录对话消息序列，每条消息包含角色（role）、内容（content）和工具调用（tool_calls）信息；tools字段描述可用工具；task字段指明任务类型；num_turns和num_tool_calls分别记录对话轮次和工具调用次数。其中工具调用采用结构化表示，包含类型（type）和函数（function）细节，函数进一步定义名称（name）和参数（arguments）。该数据集适用于对话系统开发、工具调用能力评估、智能助手训练等自然语言处理任务。This is a structured dialogue dataset specifically developed to support research and applications pertaining to multi-turn dialogue and tool calling. The dataset comprises 9037 training samples, with an overall data size of approximately 383 MB. Each sample contains the following core fields: the `messages` field records a sequence of dialogue messages, where each message includes role, content, and `tool_calls` information; the `tools` field describes the available tools; the `task` field specifies the task type; and `num_turns` and `num_tool_calls` respectively record the number of dialogue turns and the number of tool calls. Notably, tool calls adopt a structured representation, encompassing type and function details, with the function further defining the `name` and `arguments`. This dataset is suitable for natural language processing tasks such as dialogue system development, tool calling capability evaluation, and intelligent assistant training.

搜集汇总

数据集介绍

构建方式

本数据集名为nemotron-gym-instruction-following-structured-qwen3.5-122b-131k-opencode-sft-serveparity，其构建基于大规模指令跟随与结构化工具调用场景。通过对Qwen3.5-122B模型生成的高质量对话数据进行筛选与重组，数据集精心设计了多轮交互与工具调用流程。每条样本包含完整的messages序列，涵盖用户、助手及工具调用角色，并附有详细的tools结构定义，确保数据具备高度的任务导向性与结构化特征。最终汇集约9037条多轮对话样本，数据规模达383MB，适用于复杂指令遵循任务的微调与评估。

特点

该数据集的核心特点在于其精细的结构化设计与多轮交互能力。每一条数据不仅包含标准的角色与内容字段，还嵌入了工具调用（tool_calls）的完整描述，包括函数名称与参数，这使得模型能够学习在对话中动态调用外部工具。同时，数据集提供了task标签以区分不同任务类型，并记录了num_turns与num_tool_calls统计信息，便于分析对话长度与工具使用密度。这种多层级、高结构化的设计，为训练具备工具使用与多步推理能力的对话模型提供了坚实基础。

使用方法

使用本数据集时，推荐将其应用于监督微调（SFT）流程，以增强模型在指令遵循与工具调用方面的表现。数据以标准JSON格式存储，并已预划分为训练集（train split），可直接通过HuggingFace Datasets库加载。用户需关注messages字段中role、content及tool_calls的嵌套结构，按对话顺序逐轮处理。对于需要工具集成的高级应用，可借助tools字段中的函数定义构建相应的执行环境，从而实现从数据集到实际部署的无缝迁移。

背景与挑战

背景概述

随着大语言模型在复杂任务中的广泛应用，如何生成高质量、结构化的指令遵循数据成为提升模型对齐能力的关键。nemotron-gym-instruction-following-structured-qwen3.5-122b-131k-opencode-sft-serveparity数据集由NVIDIA等研究机构于近期创建，专注于收集包含多轮对话、工具调用和结构化任务指令的训练样本，核心研究问题在于通过精细化数据构建增强模型在真实服务场景下的指令遵循能力。该数据集包含约9037条样本，涵盖多样化的任务类型和工具调用场景，为开源社区提供了宝贵的对齐资源，有望推动服务端SFT数据生成范式的标准化与性能均衡。

当前挑战

该数据集面临的挑战主要包括：1)在领域问题层面，现有多数开源模型在复杂多轮对话及工具调用场景下存在指令遵循不准确、任务分解逻辑混乱等缺陷，亟需高质量结构化数据以弥合与闭源模型的服务品质差异；2)在构建过程中，需应对数据生成的自动化与质量控制难题，包括确保工具描述与任务意图的高度匹配、避免长上下文下的信息丢失、以及维持多轮交互的逻辑一致性，同时对大规模样本的清洗与去重也构成显著障碍。

常用场景

经典使用场景

该数据集专门用于训练和评估大语言模型在复杂指令遵循与结构化工具调用方面的能力。其设计围绕多轮对话场景，包含明确的角色划分、工具调用与函数参数约束，使得模型能够学习在真实交互环境中精准响应用户需求。经典使用方式是以多轮指令-回复-工具调用序列为训练样本，强化模型在动态对话中理解任务意图、合理编排工具使用逻辑并生成结构化参数的能力。

解决学术问题

该数据集有效解决了当前大语言模型研究中指令遵循能力不足与结构化输出不可靠的学术难题。传统数据集往往忽视了工具调用场景下的多步推理与参数约束，导致模型在复杂任务中表现脆弱。本数据集通过精细标注的工具调用链路与多轮对话结构，为研究模型在受限条件下的意图对齐、函数调度与参数生成提供了标准化评估基准，推动了面向实际任务的指令微调方法论发展。

衍生相关工作

围绕该数据集已衍生出若干经典研究贡献，包括但不限于基于强化学习的指令微调框架、结构化函数压缩对齐算法以及多步工具调用的错误恢复策略。这些工作深入探索了如何利用数据集中丰富的工具调用标注，提升模型在面对未见工具时的泛化性能。此外，亦有工作将其用于构建具备自我反省机制的对话代理，通过分析工具调用序列中的失败模式来优化后续决策，为高鲁棒性的人机交互系统奠定了实证基础。