v-Fable: Synthetic Fable-5 Traces Dataset

📊 データセット概要

このデータセットは Glint-Research/Fable-5-traces の統計分布を完全再現した合成データです。 AIエージェント（claude-fable-5）のコード生成・ツール使用のトレースを、元データと同一の分布で生成しています。

項目	値
レコード数	100,000
ファイル	v_fable.jsonl
セッション数	60
モデル	claude-fable-5
フォーマット	JSONL (10カラム)
ライセンス	AGPL-3.0

📋 カラム構成

カラム	説明
uid	ユニークID（{session_uuid}#{sequence}）
source_file	元のソースファイルパス
session	セッションUUID
model	モデル名（claude-fable-5）
context	会話コンテキスト（最大7,022文字）
cot	チェーン・オブ・ソート（思考過程）
output_type	text または tool_use
output	実際の出力（メッセージ or ツール呼び出し）
completion	<think>タグ付き完全な応答
origin	生成元（local / hf）

📈 統計情報

指標	元データ	合成データ
レコード数	4,665	100,000
% text	18.6%	18.7%
% tool_use	81.4%	81.3%
CoT 平均長	2,669文字	2,634文字
CoT 中央値	2,365文字	2,633文字
completion 平均長	3,754文字	2,945文字
Bash	1,544回	1,543回
Edit	960回	942回
Read	443回	465回
Write	311回	311回

🚀 使い方

from datasets import load_dataset

# データセットの読み込み
ds = load_dataset("summerMC/v-Fable", split="train")
print(len(ds))  # 4665
print(ds[0]["output_type"])  # "text" or "tool_use"
print(ds[0]["cot"][:200])    # Chain of thought

# ファインチューニング用にフォーマット
train_data = []
for r in ds:
    train_data.append({
        "input": r["context"],
        "output": r["completion"],
    })

🔧 生成方法

合成データは fable5_generator.py を使って生成されています：

pip install numpy
python3 fable5_generator.py --sessions 60 --records 4665 --output v_fable.jsonl --seed 42

📝 ライセンス

AGPL-3.0

🙏 クレジット

• 元データセット: Glint-Research/Fable-5-traces
• 統計解析・合成生成: v-Fable pipeline