Überblick über den Datensatz

Das Calendar Scheduling Dataset ist ein Mehrweg-Datensatz für Dialoge, der von NVIDIA im Jahr 2025 veröffentlicht wurde und darauf abzielt, natürliche Sprach-Schedule-Einschränkungen zu verstehen sowie mehrstufigen Anweisungen zur Lösung von Konflikten zu folgen.

Der Datensatz enthält durch synthetische Methoden generierte Daten aus mehrstufigen Dialogen, die zum Trainieren großer Sprachmodelle bei der Ereignisplanung unter komplexen Einschränkungen dienen. Der Prozess der Datengenerierung basiert auf vordefinierten Rollentypologien und simuliert Nutzeranfragen nach Terminvereinbarungen mit Längen- und Zeitfensterbeschränkungen in zufälliger Reihenfolge; der Assistent muss alle Beschränkungen berücksichtigen, um eine Planung abzuschließen. Dieser Datensatz wird als Teil des NVIDIA NeMo Gym-Frameworks bereitgestellt, um Trainingsumgebungen für verifizierbare Belohnungs-Reinforcement Learning (RLVR) zu unterstützen und die Community dabei zu helfen, die Fähigkeit von Modellen zur Befolgung mehrstufiger Instruktionen zu verbessern.

Zusammensetzung des Datensatzes

Dieser Datensatz umfasst hauptsächlich folgende Felder und Strukturen:

• conversation: Ein Protokoll des mehrstufigen Dialogs, das Interaktionen zwischen Benutzer und Assistent darstellt, endend mit der letzten Nachricht des Benutzers.
• exp_cal_state: Eine Struktur vom Typ Dictionary, welche eine Liste von Kalenderereignissen zusammengehörig mit deren zugehörigen Dauer- und Einschränkungswerten enthält und somit zur Validierung der Genauigkeit der Planergebnisse genutzt werden kann.

Der Datensatz gliedert sich in zwei Teilmengen – einen Trainingsdatensatz und einen Validierungsdatensatz –, wobei insgesamt 4000 Stichproben vorhanden sind. Die genaue Verteilung sieht wie folgt aus:

• Trainingssatz (Train): 3872 Proben
• Validierungssatz (Validation): 128 Proben

Die Speicherung erfolgt im Textformat, wobei die gesamte Speichergröße etwa 43 MB beträgt.