【免费下载链接】bev-decision-150K项目地址https://ai.gitcode.com/hf_mirrors/avbiswas/bev-decision-150K点击查看免费下载BEV 150K Decision Mix仓库名bev-decision-150K是一个由 4 个独立构建批次合并而成的15 万行英文有界决策数据集共包含 296,582 个决策问题覆盖情感分类、工具路由、金融报表等 17 个领域。其中 20,000 行切片由GPT-6 Luna完成了问题重写与源引文选取所有标签均保留原始来源支撑。这篇文章带你拆解它的批次构成、三种决策格式和重写过程帮你在动手使用前先搞清楚这份数据的来历。 三种决策格式CHOICE、NOUL、SCOREBEV 150K 的设计目标是训练做有界决策的模型给定输入状态模型只需选一个选项、判断一个命题、或打一个有序分数而不是生成大段自由文本。每一行数据包含state输入状态和questions_json决策问题集合两个核心字段问题分为三种类型类型任务目标问题数占比CHOICE从有界的criteria选项表中选一个 key120,84240.7%NOUL判断一个 yes/no 命题是否成立118,26539.9%SCORE在有序、带描述的刻度上选一个下标57,47519.4%总计296,582100%三者的标注方式各不相同CHOICEcriteria把稳定的答案 key 映射到选项描述label就是其中一个 keyNOULlabel是布尔值true / falseSCOREcriteria是有序锚定等级的列表label是它的零基下标。⚠️ 注意SCORE 的标签是序数目标ordinal target既不是校准过的概率也不是无约束的数值预测。为什么问题数296,582远多于行数150,000因为同一个 state 可以携带多个决策目标多个问题共享同一条输入状态。 4 个独立批次50,000 19,997 50,000 30,003这份混合数据集并非一次性生成而是由4 个独立构建的批次贡献而成批次行数批次一50,000批次二19,997批次三50,000批次四30,003合计150,000大部分标签来自上游标注、记录结果、测试转移、模拟器重放或声明的确定性策略而非模型凭空生成。打包时的 169 行调整一行未增、一行未删最终发布的切分为train 125,614 行 / test 24,386 行且没有验证集validation split。为什么切分数和 4 个批次直接相加有出入因为打包时有169 行被重新分配166 条 Upworthy 行从 test 移到 train3 行从 train 移到 test。移动的唯一目的是让重复的输入状态和相关的来源组保持在同一侧避免同一状态在 train / test 两侧泄漏。整个过程没有新增或删除任何行原始的 4 个批次也保持不变。发布版共包含140,007 个去重后的归一化输入状态同一个切分内重复出现的状态可以携带不同的决策问题。✍️ GPT-6 Luna 重写过程改的是措辞不是答案关于数据来源README 中的 Construction and provenance 章节给出了明确的边界。GPT-6 Luna 的参与分两层第一层20,000 行切片的问题重写在这 20,000 行中GPT-6 Luna 做了两件事重写有界决策问题的措辞让问题表达更自然从现有记录中选取源引文source quotes为问题提供文本依据。关键点所有有来源支撑的标签都被原样保留——模型只动问法不动答案。第二层更小规模的重写步骤其他较小的 Luna 步骤包括为现有响应选项命名生成日期可核验的截止日期类问题date-checkable deadline questions。一条明确的红线模型没有为本发布撰写任何新的原始来源段落primary source passages。另外需要坦诚的一点部分上游语料本身就是合成的、模板生成的或模型生成的——所以这不是一个纯人类撰写 prompt的集合。每行数据带有主domain类别README.md 中的领域表格列出了各上游来源不过行级来源标识、原始来源下载和生成脚本都不随发布提供。 17 个领域的覆盖从情感分析到游戏状态数据集按每行一个主领域统计实际发布的混合构成如下节选占比前列的领域领域行数占比代表性上游来源情感、情绪与内容审核25,15616.8%SST-5、GoEmotions、Civil Comments零售、商品与购物19,88313.3%Online Retail II、Online Shoppers、Recipe Reviews空间与逻辑推理19,57913.1%SpaRTQA、SpaRP/SpaRTUN、ProofWriter客服与意图路由12,6568.4%CLINC150、MASSIVE、BANKING77工具与工作流决策10,2246.8%Taskmaster-1、Glaive Function Calling v2科学与论文理解9,1336.1%SciCite、SciFact、SciRIFF金融报表与银行9,0036.0%TAT-QA、UCI Bank Marketing响应偏好与质量8,6935.8%HelpSteer2、UltraFeedback Binarized软件工程与代码8,1865.5%SWE-smith-py、MBPP软件安全7,0004.7%NIST NVD其余 7 个领域24,16116.0%浏览器交互、标题吸引力排序、阅读理解、合同证据、游戏状态、垃圾短信、感官质量、市政与安全运营可以看出数据集的长尾刻意压得比较短排名靠后的领域如垃圾短信检测 1,399 行、葡萄酒质量评分 1,300 行都是小而精的补充保证决策场景足够多样。 文件结构两个 Parquet 文件与 5 列整个发布只包含两个数据文件data/train.parquet —— 125,614 行data/test.parquet —— 24,386 行每个文件有 5 列state、questions_json、domain、question_types、question_count其中 JSON 列存放灵活的 JEV 风格问题对象。为什么用 Parquet 而不是 JSON因为异构的嵌套问题对象无法被可靠地推断为单一的 Arrow JSON schemaParquet 是更稳妥的容器。加载示例Hugging Facedatasetsimport json from datasets import load_dataset ds load_dataset(avbiswas/bev-decision-150K) example ds[train][0] state example[state] questions json.loads(example[questions_json])⚖️ 使用前的三个注意事项许可、评测与标签1没有一揽子许可这是混合来源发布Hub 元数据标注为license: unknown不主张任何统一的宽松许可。再分发或商用前请逐个核对各领域表格中链接的上游来源及其条款并对实际用到的每个来源做归属说明。2test 切分不是独立基准test 只是混合体中留出的一部分而且数据集本身包含多个现有基准家族——如果你要在同样的公开基准上评测先检查记录与来源家族的重复情况。3部分标签的含义比名字更窄银行订阅是观测结果不是应该联系该客户的因果建议CVSS 基础严重度不是资产专属风险游戏分数描述的是即时状态转移而非长期期望收益Taskmaster 的服务选择来自标注对话的推导不是工具执行日志。此外部分选择题选项是采样或构造的答案频率有时被重新平衡过——因此 test 切分和 SCORE 输出都不意味着现实世界校准部分源判断与 LLM 重写的问题可能存在噪声自动化的英文过滤也不能保证每条节选都是完美英文。 快速上手三步开始使用加载数据集用load_dataset(avbiswas/bev-decision-150K)读取 train / test 两个切分解析问题json.loads(row[questions_json])得到问题对象按CHOICE/NOUL/SCORE类型分别处理标签按领域采样利用domain与question_types两列做分层抽样验证模型在决策任务上的表现。小结BEV 150K Decision Mix 的构建思路可以概括为一句话4 个独立批次贡献 150,000 行有界决策数据标签尽量保留上游来源GPT-6 Luna 只负责重写问题措辞和选取源引文不改动答案、不新造来源。如果你需要一个覆盖多领域、格式统一CHOICE / NOUL / SCORE、以 Parquet 交付的决策训练混合集它可以是一个不错的起点——只需留意它的许可边界和test 非独立基准这一属性即可。赞分享【免费下载链接】bev-decision-150K项目地址https://ai.gitcode.com/hf_mirrors/avbiswas/bev-decision-150K点击查看免费下载相关推荐5分钟快速上手BEV 150K Decision Mix用datasets库加载并探索首批数据5分钟快速上手BEV 150K Decision Mix用datasets库加载并探索首批数据 BEV 150K Decision Mix 是一个包含 15Rivet Actors React 集成实战用 rivetkit/react 构建类型安全的 Actor 前端Rivet Actors React 集成实战用 rivetkit/react 构建类型安全的 Actor 前端 Rivet Actors 是面向有状态负载winget-cli 开发者指南从环境搭建、源码构建到调试与本地化实践winget cli 开发者指南从环境搭建、源码构建到调试与本地化实践 本篇指南基于 winget cli 仓库的 doc/Developing.md htt上一篇OBS多平台直播终极解决方案obs-multi-rtmp插件完整指南下一篇5分钟快速美化VLC播放器VeLoCity皮肤终极指南创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考