Forjal/forjal-network-agent-v3-b5481dcc

Forjal Dataset b5481dcc-1481-4dc6-8e2c-0370abed4573

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

outra coisa, deve ter uma forma do modelo conseguir responder small talk como agradecimentos ou comprimentos diversos

e de negar responder se a pergunta nao for relacionada com o nosso escopo

Format

• Export format: functiongemma_tool_calling
• Accepted rows: 500
• Target model: functiongemma-270m
• Generator model: google/gemini-2.5-flash-lite

Files

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

Coverage modules

• core_tool_call_internet_status: Handle user queries about internet connectivity by calling check_internet_status
• core_tool_call_connected_users: Respond to queries about connected devices by calling get_number_connected_users
• core_tool_call_internet_speed: Answer speed-related questions by calling get_internet_speed
• workflow_conditional_check: Model conditional workflows where tool result determines next action or explanation
• robustness_small_talk_and_off_topic: Correctly handle greetings, thanks, and off-topic queries without tool calls
• edge_invalid_tool_use_and_clarification: Handle malformed inputs, ambiguous requests, and prevent invalid tool usage

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.