Fable-5 Premium V2 是一个包含 10 万条高质量智能体轨迹的 SFT 微调数据集，专为训练"会调用工具"的 Agent 模型而生。本文带你以零基础上手：从克隆数据、看懂两种数据格式，到用 Axolotl 或 Unsloth 跑通第一次智能体微调，全程 10 分钟即可跑起来。

一、Fable-5 Premium V2 是什么？🧠

一句话概括：一份"精挑细选"的智能体监督微调数据集。它的核心理念是质量 > 易获取性 > 数量。

这份数据并非简单爬取，而是经过了5 步质量流水线🧹：

1. 跨源去重：对规范化后的messagesJSON 做 SHA-256 哈希去重
2. 工具调用校验：每个tool_calls[].id都有匹配的tool输出，端到端验证完整工具闭环
3. PII 清洗：本地路径、API Key、邮箱、IP 全部替换为[REDACTED]
4. 内容过滤：剔除拒答模式与超范围长度
5. 质量打分：按长度、结构、唯一性、推理深度打分，只保留 0.8 以上的高分数据

💡 这意味着模型能学到完整的工具调用循环：何时调用、传什么参数、如何使用返回结果——这是训练 Agent 模型最关键的能力。

二、仓库目录结构一览 📦

两种格式的行数据完全一致（相同的session_id），只是封装方式不同，可按需选择。

三、10 分钟跑通第一次智能体微调 🚀

Step 1：克隆数据集（约 1 分钟）

git clone https://gitcode.com/hf_mirrors/saidutta69/fable-5-premium-v2 cd fable-5-premium-v2

⚠️ 注意：数据文件较大（train.parquet约 400 MB，train.jsonl约 900 MB），建议优先使用parquet 格式——体积更小、加载更快，训练框架普遍支持。

Step 2：选对数据格式（约 1 分钟）

新手跑微调，直接选 OpenAI Chat 格式即可，兼容性最好。

Step 3：加载并预览数据（约 2 分钟）

from datasets import load_dataset # 加载 OpenAI Chat 格式的训练集 dataset = load_dataset( "saidutta69/fable-5-premium-v2", data_files="openai_chat/train.parquet", split="train", ) print(dataset[0]["messages"][:3]) # 看看前几条对话

打开任意一条样本，你会看到标准的messages数组：用户提问 → 助手发起tool_calls→tool角色返回结果 → 助手给出最终回答，形成完整闭环。

Step 4：用 Axolotl 启动 SFT（约 5 分钟）

在 Axolotl 配置文件中指向数据集即可：

datasets: - path: saidutta69/fable-5-premium-v2 type: chat_template data_files: openai_chat/train.parquet split: train

如果你更习惯Unsloth，也可以这样加载基座模型后直接开始：

from unsloth import FastLanguageModel model, tokenizer = FastLanguageModel.from_pretrained( model_name="unsloth/llama-3-8b", max_seq_length=4096, )

🎯 提示：智能体轨迹通常包含多轮工具调用，序列偏长，建议max_seq_length至少设为 4096，给模型留足"思考空间"。

Step 5：用验证集评估效果（约 1 分钟）

训练完成后，用 openai_chat/validation.parquet 上的 7,500 条数据评估损失，再用 openai_chat/test.parquet 做最终验收——数据集已按 85% / 7.5% / 7.5% 分好三个 split，开箱即用。

四、新手常见问题 💬

Q1：parquet 和 jsonl 有什么区别？内容完全相同。parquet 是列式压缩格式，读取更快、占空间更小；jsonl 是逐行文本，方便肉眼查看单条样本。

Q2：没有强 GPU 能训练吗？可以。选 7B–8B 级别的小基座模型 + LoRA/QLoRA 微调，一张 24 GB 显存的消费级显卡即可起步，Unsloth 对显存优化尤其友好。

Q3：数据能商用吗？可以。整个数据集采用MIT 许可证，可自由使用与商用。

总结

Fable-5 Premium V2 把"智能体微调"的门槛降到了最低：

• ✅ 10 万条已清洗、已去重、质量分 0.966的高质量工具调用轨迹
• ✅ 双格式输出，OpenAI Chat 格式即插即用
• ✅ 训练/验证/测试三 split 齐全，评估闭环完整

按本文的 5 个步骤走一遍，你第一次智能体微调就有了一个足够优秀的起点。下一步，试着换不同的基座模型对比效果，你会发现高质量数据带来的提升比想象中更明显 📈。