Grug-think ist ein vereinfachter Datensatz für die Agenteninferenz, der die Effizienz der Agenteninferenz vor dem Aufruf von Werkzeugen optimieren soll. Ziel ist es, den Tokenverbrauch bei der Agenteninferenz zu reduzieren und gleichzeitig die Genauigkeit externer Interaktionen und Werkzeugaufrufformate zu erhalten. Dieser Datensatz enthält 100.891 reale Ausführungsverläufe von Agenten aus fünf großen, öffentlich zugänglichen Datensätzen. Er umfasst 451.030 Code-basierte Aufgaben intelligenter Agenten und 551.030 allgemeine API-Tool-Aufrufe. In einigen Beispielen wurden Tool-Aufrufe absichtlich weggelassen, um die autonomen Urteilsfähigkeiten des Modells zu trainieren. Der Datensatz behält die vollständige ursprüngliche Nachrichtenstruktur, die Tool-Definitionen und den Inhalt der Tool-Aufrufe bei; lediglich der Inferenzteil wurde angepasst. Vor jeder Antwortanweisung wird ein sehr prägnanter Inferenztext eingefügt, sodass der optimierte Inferenztext im Median nur 11 Wörter umfasst.

Zusammensetzung des Datensatzes:

• glaive-function-calling-v2: Ungefähr 40.800 grundlegende API-Tool-Aufrufdialoge.
• hermes-function-calling-v1: Ungefähr 6.200 Dialoge zur Verwendung von Werkzeugen mit mehreren Drehungen.
• ToolACE: Ungefähr 8.900 API-Aufrufe für verschiedene Tools.
• SWE-smith-Trajektorien (Werkzeug & Ticks): Ungefähr 30.000 Trajektorien, reale Code-Debugging-Agent-Trajektorien.
• Nebius SWE-Agententrajektorien: Ungefähr 15.000, Code korrigiert Agententrajektorien.

Datenfelder:

• ID: Eindeutige Kennung der Probe
• Quelle: Datenquellenkennung
• Werkzeuge: Liste der verfügbaren Werkzeugdefinitionen
• Nachricht: Eine vollständige Sequenz von Dialognachrichten, wobei jede Nachricht gemäß der Struktur von Rolle, Inhalt und Tool-Aufrufen organisiert ist.