摘要

这个网页展示了Hugging Face上的"glaiveai/glaive-function-calling-v2"数据集，该数据集包含约113,000行数据，专注于函数调用训练数据。数据集采用对话格式，每条记录包含系统指令和对话内容两个主要字段。系统指令定义了助手可用的函数及其参数结构，而对话内容则展示了用户与AI助手之间的交互，包括函数调用过程。数据集中的函数涵盖多种实用功能，如汇率转换、新闻获取、密码生成、贷款计算、温度转换等。每个对话示例展示了完整的交互流程：用户请求、助手回应、函数调用(使用标记)、函数返回结果及助手最终响应。数据集还包含了助手无法执行请求时的适当拒绝示例，以及不需要函数调用的普通对话示例。

与问题相关的信息提取

数据集"glaiveai/glaive-function-calling-v2"的结构如下：

1. 基本信息：

   • 数据集大小：113,000行数据
   • 子集：default
   • 分割：1个分割

2. 字段结构：
   数据集主要包含两个字段：

   • system：字符串类型，平均长度76字符，最大长度5.96k字符
   • chat：字符串类型，平均长度174字符，最大长度16.4k字符

3. 数据格式：

   • system字段包含系统指令，定义了AI助手可用的函数及其参数结构
   • chat字段包含用户与AI助手之间的对话内容，包括函数调用和响应

4. 函数调用格式：

   • 函数定义采用JSON格式，包含函数名、描述和参数
   • 函数调用使用<functioncall>标记
   • 函数响应使用FUNCTION RESPONSE:标记
   • 对话结束使用<|endoftext|>标记

5. 样本示例：

示例1：汇率转换函数

示例2：新闻获取函数（包含函数调用）

数据集中的每个样本都遵循这种结构，提供了丰富的函数调用训练数据，涵盖了多种实用功能和交互场景。

相关网页链接

无与问题相关的网页链接。

相关图片

无与问题相关的图片。

摘要

APIGen是一个自动化数据生成管道，旨在为函数调用应用程序生成可验证的高质量数据集。该框架收集了21个不同类别的3673个可执行API，通过三阶段验证确保数据质量：格式检查、实际函数执行和语义验证。使用APIGen生成的数据集训练的模型，即使只有7B参数，也能在Berkeley Function-Calling Benchmark上实现最先进的性能，超越多个GPT-4模型。此外，他们的1B模型表现优于GPT-3.5-Turbo和Claude-3 Haiku。APIGen框架注重数据质量、多样性和收集可扩展性，采用标准化JSON格式处理API、函数调用和生成器输出，使系统能够扩展到多种API源。该项目发布了包含60,000个高质量条目的数据集，旨在推进函数调用代理领域的发展。

与数据集结构、格式和示例相关的信息

APIGen数据集采用标准化的JSON格式，这种结构化方法为API、函数调用和生成器输出提供了统一的表示方式。数据集的主要特点如下：

1. 数据格式：数据以JSON格式存储，包含"query"和"answer"字段。每个回答是以JSON格式化的函数调用。

2. 数据结构：数据集按照四种主要查询风格进行分类：

   • 简单查询(simple)
   • 多重查询(multiple)
   • 并行查询(parallel)
   • 并行多重查询(parallel multiple)

3. API来源：数据集包含两种类型的API：

   • 3,539个可执行的REST API，主要来自ToolBench数据集
   • 134个Python函数，涵盖数学、金融和数据管理等领域

4. 数据分布：API分布在21个不同类别中，涵盖技术、社会科学、教育和体育等多个领域。

5. 数据验证：每个数据点都经过三阶段验证：

   • 格式检查器：确保输出遵循正确的JSON格式
   • 执行检查器：验证函数调用是否可执行
   • 语义检查器：评估执行结果是否与查询目标一致

6. 数据示例：网页中展示了JSON格式的示例，显示了API定义和函数调用的标准化表示方法。这种格式使得系统能够有效地验证生成器输出是否包含所有必要字段，并检查函数调用的参数是否正确。

7. 数据规模：发布的数据集包含约60,000个高质量函数调用数据点，由Mixtral-8x22B-Inst和DeepSeek-V2-Chat(236B)两个强大模型生成。

8. 通过率统计：不同模型生成的数据通过验证的比例不同，DeepSeek-V2-Chat(236B)的通过率最高，达到84.15%，而较小的模型通过率较低，表明在使用较弱模型生成数据时，严格的验证过程非常重要。

这种结构化的数据集设计确保了数据的高质量、多样性和可扩展性，使其成为训练函数调用模型的理想资源。

相关网页链接

1. Berkeley Function-Calling Leaderboard (BFCL) - 上下文：用于评估LLMs函数调用能力的综合评估框架，涵盖各种编程语言和应用领域。

相关图片

1. Title: APIGen框架概述
   Content: 展示了APIGen框架的整体架构和工作流程
   Source: APIGen研究团队
   Link: https://apigen-pipeline.github.io/img/overview.jpg

2. Title: JSON格式示例
   Content: 展示了APIGen使用的标准化JSON格式示例，包括API定义和函数调用的格式
   Source: APIGen研究团队
   Link: https://apigen-pipeline.github.io/img/json_format_example.png

3. Title: 数据集API类别分布
   Content: 饼图展示了3,673个可执行API在21个不同类别中的分布情况
   Source: APIGen研究团队
   Link: https://apigen-pipeline.github.io/img/dataset_pie_chart.png

4. Title: Berkeley Function-Calling Leaderboard性能比较
   Content: 表格展示了不同模型在Berkeley Function-Calling Leaderboard上的性能比较
   Source: APIGen研究团队
   Link: https://github.com/apigen-pipeline/apigen-pipeline.github.io/blob/main/img/table-result-0718.png?raw=true

摘要

这个网页展示了Salesforce-xlam-function-calling-60k数据集，该数据集包含60,000行数据，主要用于训练和测试AI模型的函数调用能力。数据集采用对话格式，每条数据包含三个消息：系统指令、用户查询和AI助手的回应。系统指令定义了可用函数及其参数，用户查询提出需求，而AI助手则通过特定格式{'tool_name': 函数名, 'tool_arguments': {参数}}</tool_call>来调用相应函数。数据集涵盖了多种应用场景，包括金融数据分析、动漫搜索、电影信息查询、时区查询、科学计算等领域。这些示例展示了AI如何根据用户需求选择合适的函数并传递正确的参数，为开发具有函数调用能力的大语言模型提供了训练素材。

数据集结构、格式和示例数据相关信息

该数据集名为"Salesforce-xlam-function-calling-60k"，包含60,000行数据，专门用于训练和测试AI模型的函数调用能力。

数据集结构：

• 子集：default（60k行）
• 分割：单一分割

数据格式：

每条数据是一个包含3个消息的列表，结构如下：

1. 系统消息：定义AI助手的角色和可用函数，包含函数名称、描述和参数详情
2. 用户消息：包含用户的查询或请求
3. 助手回应：AI助手调用相应函数的结果

函数调用格式：

AI助手使用特定的XML标签格式来调用函数：

示例数据：

1. 示例1：查询游戏和测试版赠品

   • 系统定义了live_giveaways_by_type函数
   • 用户询问"Where can I find live giveaways for beta access and games?"
   • 助手调用函数两次，分别查询beta和game类型的赠品

2. 示例2：查询以太坊区块链详情

   • 系统定义了peers和web_chain_details函数
   • 用户请求以太坊区块链详情
   • 助手调用web_chain_details函数，传递参数chain_slug: 'ethereum'

3. 示例3：金融数据分析

   • 系统定义了t3ma和stock_v2_get_profile函数
   • 用户请求ETH/BTC的T3MA数据，使用1小时间隔和14的时间周期
   • 助手调用相应函数并传递正确参数

数据集还包含其他多种场景的示例，如动漫搜索、电影信息查询、时区查询、科学计算等，展示了AI如何根据用户需求选择合适的函数并传递正确的参数。

与问题相关的网页链接

无链接信息可提取。

与问题相关的图片

无图片信息可提取。