Forjal/forjal-network-agent-v4-9847d936

Forjal Dataset 9847d936-0cb4-4d5f-9d58-2ba05ef1e8f2

Synthetic instruction dataset generated by Forjal Dataset Swarm.

Source task

quero fazer um agente com o function gemma que no primeiro turno ele vai receber um prompt e a query do usuario eele vai apenas chamar uma tool call, e no segundo ele vai receber a resposta e vai falar para o usuario o resultado em linguagem natural, a linguagem deve ser apenas em ingles

Use este formato como target do assistant quando ele precisar chamar uma tool:

call:get_number_connected_users()

Ou seja:

call: NOME_DA_FUNCAOf)

As tools atuais não recebem argumentos. Sempre use ().

Funções Disponíveis

Use preferencialmente estes nomes no fine-tuning: get_number_connected_users check_internet_status get_internet_speed

Também existe alias aceito para dispositivos:

get_number_connected_devices

Mas eu recomendo treinar só com get_number_connected_users para não espalhar variações.

Exemplos De Fine-Tuning

Pergunta:

Quantas pessoas estão conectadas?

Resposta esperada do modelo:

call:get_number_connected_users()

Pergunta:

Minha internet está funcionando?

Resposta esperada do modelo:

‹start_function_call>call:check_internet_status()

Pergunta:

Qual a velocidade da minha internet?

Resposta esperada do modelo:

«start_function_call>call:get_internet_speed{)

Retornos Das Tools get_number_connected_users: { "value": 5, "unit": "aparelhos" ｝ check_internet_status quando está funcionando: "value": 0, "meaning": "internet_funcionando" check_internet_status quando tem falha: "value": 1, "meaning"; "internet_com_falha" } get_internet_speed: "value"; 250, "unit"; "Mbps" Erro de tool: "error"; "error message" (mas no treinamento apenas leve em consideracao que se der erro vai apenas retornar "erro")

Primeiro Turno: Como Chega Para O Modelo Exemplo 1: system: Use tool results as facts. For check_internet_status, value 0 means the internet is working; values 1 or greater mean a failure. user: How many devices are connected? Resposta esperada: ‹start_function_call>call: get_number_connected_users(}<end_function_call» Exemplo 2: system: Use tool results as facts. For check_internet_status, value 0 means the internet is working; values 1 or greater mean a failure. user: Is my internet working? Resposta esperada: call:check_internet_status) Exemplo 3: system: Use tool results as facts. For check_internet_status, value 0 means the internet is working; values 1 or greater mean a failure. user: What is my internet speed? Resposta esperada: call:get_internet_speed)send_function_call>

Segundo Turno: Como Chega Para 0 Modelo Depois que a aplicação executa a tool, • modelo recebe a conversa com a resposta da ferramenta. Exemplo para dispositivos: system: Use tool results as facts. For check_internet_status, value 0 means the internet is working; values 1 or greater mean a failure. user: How many devices are connected? assistant: call:get_number_connected_users) tool get_number_connected_users: ("value": 5, "unit": "apare lhos"} Resposta final esperada: There are 5 devices connected to the network. - Exemplo para internet onLine: system: Use tool results as facts. For check_internet_status, value ® means the internet is working; values 1 or greater mean a failure. user: Is my internet working? assistant: call:check_internet_status) tool check_internet_status: (value": 0, "meaning": "internet_funcionando") Resposta final esperada: Your internet is working.

Instruções Para Fine-Tuning

Use exemplos em inglês e espanhol.

No primeiro turno, quando a pergunta exigir diagnóstico de rede, o target do assistant deve ser apenas a tool call:

estart_function_call>call:FUNCTION_NAME()

No segundo turno, após o resultado da tool, • target do assistant deve ser uma resposta natural, curta e direta, usando o resultado como fato.

Evite treinar o modelo para chamar ferramentas com nomes diferentes como:

call_internet_speed call_check_internet

speedtest

Use apenas:

get_number_connected_users check_internet_status get_internet_speed

Format

• Export format: functiongemma_tool_calling
• Accepted rows: 438
• Target model: functiongemma-270m
• Generator model: deepseek/deepseek-v4-flash

Files

• data/train.jsonl
• data/validation.jsonl
• data/test.jsonl
• data/all.jsonl
• manifest.json
• quality-report.json

Coverage modules

• first_turn_core: Generate first-turn tool-call rows where the user query clearly maps to one of the three tools. The assistant must output only the tool call with empty arguments. Cover all tools with diverse phrasings.
• second_turn_core_success: Generate full tool-result rows where the tool returns a normal successful value (integer for connected users, 0 for internet status, positive number for speed). The assistant must produce the correct natural language sentence based on the result.
• second_turn_error: Generate full tool-result rows where the tool returns the string 'erro' (representing an error). The assistant must respond with a natural error sentence, e.g., 'An error occurred while checking.' Cover all three tools.
• first_turn_edge: Generate first-turn tool-call rows with ambiguous, terse, or slightly noisy queries that still map to one of the three tools. This tests the model's ability to infer intent from minimal context.
• mixed_robustness: Generate both first-turn and second-turn rows with variations in input formatting, punctuation, capitalization, and minor typos. This ensures the model is robust to common input variations.
• second_turn_conditional: Generate full tool-result rows that cover conditional outcomes: for check_internet_status, values 1, 2, 3, etc. (failure); for get_number_connected_users, zero or very large numbers; for get_internet_speed, zero or very low/high values. This tests the model's ability to handle diverse numeric results.

FunctionGemma notes

This export is model-native for unsloth/functiongemma-270m-it.

• messages and tools are the canonical training fields and are compatible with the Google/Hugging Face FunctionGemma flow that calls apply_chat_template(messages, tools=tools).
• role: "developer" is intentional for FunctionGemma and should not be rewritten to system.
• The JSONL intentionally does not include raw FunctionGemma control-token text. The RunPod trainer derives training text from messages and tools with the model chat template.
• Natural-language final answers after tool results are exported as plain assistant content. Structured JSON outputs remain JSON when the task contract requires structured output.