Datasets:
You need to agree to share your contact information to access this dataset
This repository is publicly accessible, but you have to accept the conditions to access its files and content.
연구 목적의 실험 데이터입니다. 사용 목적을 적어 주시면 검토 후 승인합니다.
Log in or Sign Up to review the conditions and access this dataset content.
Minion Agent SFT — v1
한국어 웹 에이전트용 소형 모델(Minion GRPO)을 SFT/LoRA 로 추가학습하기 위한 데이터 v1 입니다. 다른 버전: v2, v5
구성
| split | 행 수 |
|---|---|
| train | 5,000 |
| validation | 500 |
| split | 출처 | source (provenance) |
행 수 |
|---|---|---|---|
| train | Codex 합성 (DOM·위임·도구 호출) | synthetic |
5,000 |
| validation | Codex 합성 (DOM·위임·도구 호출) | synthetic |
500 |
Codex 로 생성한 한국어 합성 데이터만 담은 첫 버전입니다. 외부 공개 데이터는 섞지 않았습니다.
만든 방법
1. 시나리오 계열(family) 설계 — 생성 전에 고정
먼저 325개 시나리오 계열의 유형·split·도메인을 정해 두고 생성했습니다. 서로 다른 split 은 도메인(사이트 종류)이 겹치지 않게 나눴고, 한 계열의 변형은 모두 같은 split 에 들어갑니다.
| 유형 | 내용 | train 계열 | validation 계열 | test 계열 (미공개) |
|---|---|---|---|---|
| DOM 실행 | DOM 관측을 보고 목표에 맞는 행동 후보 하나를 고름 (route: execute) |
150 | 15 | 30 |
| 위임 | 관측만으로 판단할 수 없거나 맞는 후보가 없을 때 넘김 (route: delegate) |
50 | 5 | 10 |
| 도구 호출 | 제공된 함수 정의(2~3개)로 한국어 요청을 처리하는 호출 생성 | 50 | 5 | 10 |
| 합계 | 250 | 25 | 50 |
2. 계열당 20개 변형 → 행 수
계열마다 변형 20개를 만들었습니다. 변형은 목표 문장의 항목 값, 타깃·후보 ID, 후보 순서를 바꾸고 정답을 그에 맞게 다시 연결한 것입니다. 이름·값이 바뀌어도 같은 다음 행동이 정답인 시나리오만 허용했습니다.
| 유형 | train | validation |
|---|---|---|
| DOM 실행 | 150 × 20 = 3,000 | 15 × 20 = 300 |
| 위임 | 50 × 20 = 1,000 | 5 × 20 = 100 |
| 도구 호출 | 50 × 20 = 1,000 | 5 × 20 = 100 |
| 합계 | 5,000 | 500 |
따라서 5,000개는 독립적인 원본 시나리오 5,000개가 아니라 250개 계열의 변형입니다. test(50계열 × 20 = 1,000개)는 평가용이라 올리지 않았습니다.
3. 자동 검수
- Codex 가 계열의 blueprint 와 정답을 작성
- 별도의 Codex 호출에 정답을 숨기고 계열의 첫·중간·마지막 변형 3개를 풀게 함
- blind 풀이가 원래 정답과 일치하고
usable판정을 받은 계열만 채택 - 20개 전체에 대해 관측 ID·후보·타깃 상태·인자·split 을 구조 검사
- 실패한 계열만 다시 생성(최대 5회), 실패 기록은 모두 보존
사람 검수와 실제 브라우저 실행 검증은 하지 않았습니다. DOM 은 실제 사이트에서 수집한 것이 아니라 합성한 compact DOM 입니다.
행 예시 구조
- DOM 실행·위임:
system지시 /user에 목표·URL·최근 결과·타깃 목록이 든gca.dom_decision/v1JSON /assistant에gca.dom_choice/v1JSON (route,candidate_id).tools는 빈 배열 - 도구 호출:
system·user요청 /assistant에 도구 호출.tools에 함수 정의 2~3개
형식
data/*.jsonl (미리보기·load_dataset 기본 config)
| 필드 | 타입 | 내용 |
|---|---|---|
messages |
list of {role, content} |
system / user / assistant 대화. 마지막 assistant 의 content 가 학습 정답 |
tools |
string (JSON) | OpenAI 형식 도구 정의 배열. 도구가 없으면 "[]" |
tools 는 행마다 파라미터 스키마가 달라 미리보기용 파일에서는 JSON 문자열로 저장했습니다.
학습에 실제로 쓴 원본(tools 가 리스트)은 raw/ 에 그대로 있고 raw/SHA256SUMS.json 으로 대조할 수 있습니다.
raw/provenance.jsonl 에는 행마다 출처·원본 id·그룹·검수 기록이 있습니다(행 순서는 학습 파일과 다를 수 있음).
import json
from datasets import load_dataset
ds = load_dataset("lukakuma/minion-agent-sft-v1")
row = ds["train"][0]
tools = json.loads(row["tools"])
출처와 라이선스
- Codex 가 작성한 가상의 한국어 DOM 행동 선택·도구 호출 시나리오 (이 프로젝트에서 생성, 외부 원본 없음)
외부 원본이 없는 Codex 합성 데이터입니다. 행별 생성·검수 기록은 raw/provenance.jsonl.
한계
- 합성 데이터의 정답은 Codex 의 블라인드 재풀이로만 검수했습니다. 사람 검수·실제 브라우저 실행 검증은 없습니다
- 평가 벤치마크 입력은 학습 데이터에서 제외했지만, 이 데이터로 학습한 모델의 평가 점수는 같은 평가셋을 여러 번 관찰한 실험 과정에서 나온 것이라 독립 테스트 결과가 아닙니다
- 버전 간 성능 차이를 데이터 구성만 바꾼 통제 실험으로 해석하지 마세요(시작 adapter·학습 설정도 다릅니다)
- Downloads last month
- 15