【免费下载链接】fable-5-premium-v2项目地址https://ai.gitcode.com/hf_mirrors/saidutta69/fable-5-premium-v2点击查看免费下载Fable-5 Premium V2 是一套包含 10 万条高质量 Agent 轨迹的开源 SFT监督微调数据集专为训练能调用工具的 Agentic 模型而设计。本文带你用 Unsloth 加速微调框架以低成本完成一次完整的模型微调实战。一、Fable-5 Premium V2 是什么Fable-5 Premium V2 是从 Claude Fable-5、GPT-5.5、Gemini 3.1 Pro、Grok 4、Qwen 3.7 Max 等头部模型中蒸馏、并经过严格清洗的 Agent 轨迹数据集。它的核心原则是质量 易用性 数量Quality Ease of Access Quantity。属性值总轨迹数100,000 条数据划分训练集 85,000 / 验证集 7,500 / 测试集 7,500平均质量分0.966仅保留 0.8–1.0 区间蒸馏来源Claude Fable-5、GPT-5.5、Gemini 3.1 Pro、Grok 4、Mythos 5、Qwen 3.7 Max许可证MIT更详细的来源说明可查阅 README.md数据集整体配置见 dataset_config.json。数据质量如何保证数据集经过 5 步质量流水线处理详见 README.md去重跨数据源对标准化后的 messages JSON 做 SHA-256 哈希去重工具调用校验每个tool_calls[].id都有对应的tool输出端到端验证PII 脱敏本地路径、API 密钥、邮箱、IP 均已替换为[REDACTED]内容过滤剔除拒答模式和长度越界样本质量评分综合长度、结构、唯一性、推理深度打分只保留 0.8 分以上低分轨迹在清洗阶段就被过滤掉了不会混进训练数据——这是它和大杂烩数据集最大的区别。二、OpenAI Chat 与 Agent Traces两种数据格式怎么选 数据集提供两种格式相同数据行、相同session_id格式路径适用场景OpenAI Chatopenai_chat/标准messages数组含user/assistant/tool角色和tool_calls可直接用于Unsloth、Axolotl、TRL及 OpenAI 微调 APIHF Agent Tracesagent_traces/原生 Agent Traces 格式可在 Data Studio 中直接浏览微调建议用 OpenAI Chat 格式想先肉眼检查数据质量用 Agent Traces 格式浏览更方便。两条格式的数据文件均包含 train / validation / test 三个 split例如 openai_chat/train.parquet约 405 MB、openai_chat/train.jsonl约 902 MB、agent_traces/train.parquet约 400 MB。建议直接加载 parquet 文件比 jsonl 体积小一半以上省带宽也更快。每条数据的字段定义messages、model、quality_scores、reasoning、session_id、source等可以在 dataset_infos.json 中查看。三、Unsloth 加速微调完整步骤 ⚡以下是一个最小可行流程完整示例代码可参考 README.md。第 1 步加载 Fable-5 Premium V2 数据from datasets import load_dataset dataset load_dataset( saidutta69/fable-5-premium-v2, data_filesopenai_chat/train.parquet, splittrain, )第 2 步用 Unsloth 加载模型Unsloth 通过 4-bit 量化 LoRA 组合把显存占用降到消费级显卡可承受的范围这是低成本微调的关键from unsloth import FastLanguageModel model, tokenizer FastLanguageModel.from_pretrained( model_nameunsloth/llama-3-8b, max_seq_length4096, )第 3 步训练、验证与保存使用openai_chat/train.parquet训练将 openai_chat/validation.parquet7,500 条作为验证集监控 loss不要把 validation / test 混入训练训练结束后用 openai_chat/test.parquet 做最终评估。 如果不用 Unsloth 而选择 Axolotl只需在配置中指定data_files: openai_chat/train.parquet和type: chat_template即可格式完全兼容。四、训练 Agentic 模型的关键完整工具调用闭环 这份数据集的核心价值在于工具调用的完整性tool_calls字段保留 Agent 每一轮的工具调用及 ID配套的tool输出每次调用都有对应结果。这意味着模型学到的是完整的工具循环何时调用、传什么参数、如何使用返回结果而不是孤立的工具调用片段。配合reasoning字段中的推理内容模型还能同步习得先思考、再动手的 Agentic 行为模式。五、常见问题快速解答 ❓Q1消费级显卡能微调吗可以。Unsloth 的 4-bit LoRA 方案可大幅压缩显存8B 级别的基座模型在一张消费级显卡上即可完成 LoRA 微调。Q2必须用 Unsloth 吗不是。OpenAI Chat 格式同时兼容 Axolotl、TRL 和 OpenAI 微调 API可按需选择。Q3数据划分怎么处理训练、验证、测试比例约为 85:7.5:7.5划分方式见 dataset_infos.json。验证集用于早停和调参测试集仅用于最终评估。Q4训练效果怎么评估重点检查两点tool_calls格式是否正确、调用与工具输出是否闭环可结合真实任务场景做端到端验证。六、数据集文件清单 文件说明openai_chat/train.parquetOpenAI Chat 格式训练集85,000 条openai_chat/validation.parquetOpenAI Chat 格式验证集7,500 条openai_chat/test.parquetOpenAI Chat 格式测试集7,500 条agent_traces/train.parquetAgent Traces 格式训练集agent_traces/validation.parquetAgent Traces 格式验证集agent_traces/test.parquetAgent Traces 格式测试集dataset_config.json数据集配置信息dataset_infos.json字段定义与数据划分详情README.md项目完整文档总结Fable-5 Premium V2 用 10 万条清洗到位的 Agent 轨迹 MIT 许可证为低成本训练 Agentic 模型提供了现成的高质量原料搭配 Unsloth 的显存优化消费级硬件也能跑通完整的加载数据 → LoRA 微调 → 验证评估闭环。选对格式、用好数据划分你的第一个 Agentic 模型离得不远了。赞分享【免费下载链接】fable-5-premium-v2项目地址https://ai.gitcode.com/hf_mirrors/saidutta69/fable-5-premium-v2点击查看免费下载相关推荐Jenkins Pipeline中使用git-plugin的10个实用技巧Jenkins Pipeline中使用git plugin的10个实用技巧 在Jenkins Pipeline中高效使用git plugin可以显著提升CI/C2倍速训练革命Unsloth极速微调大语言模型实战指南2倍速训练革命Unsloth极速微调大语言模型实战指南 Unsloth是一款革命性的大语言模型微调工具能够实现5倍训练速度提升和60%内存节省让普通用户也人工智能大模型微调LoRA模型优化模型量化强化学习Fable-5 Premium V2 × TRL与OpenAI微调API没有GPU也能在云端微调智能体模型Fable 5 Premium V2 × TRL与OpenAI微调API没有GPU也能在云端微调智能体模型 Fable 5 Premium V2 是一个经过严上一篇微信QQ免费防撤回补丁5分钟装完消息撤了照样看得见下一篇解决Genesis项目WSL2环境CUDA设备未检测问题从驱动到配置的全流程方案创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考