Agent-Ark/Toucan-1.5M

Toucan-1.5M是一个由真实世界MCP环境合成的超过150万轨迹的最大的完全合成工具-代理数据集，用于推动代理型大型语言模型中的工具使用。该数据集包含多个配置，每个配置都有不同的特征和训练集大小，能够生成多样化的、真实的、具有挑战性的任务，这些任务需要使用多个工具，并涉及多轮、多转、顺序和并行的工具调用。

Toucan-1.5M is the largest fully synthetic tool-agent dataset to date, designed to advance tool use in agentic LLMs. It comprises over 1.5 million trajectories synthesized from 495 real-world Model Context Protocols (MCPs) spanning 2,000+ tools. The dataset includes multiple configurations, each with different features and training set sizes, capable of generating diverse, realistic, and challenging tasks that require the use of multiple tools, involving multi-round, multi-turn, sequential, and parallel tool calls.

搜集汇总

数据集介绍

构建方式

Toucan-1.5M的构建过程完全基于合成数据生成流水线，依托495个真实世界的模型上下文协议（MCP）环境，覆盖超过2000个工具。数据生成流程包括多阶段合成：首先以目标工具为种子生成用户任务，随后由大语言模型（如Qwen3-32B、Kimi-K2和GPT-OSS-120B）模拟多轮、多步、顺序与并行的工具调用轨迹。为提高数据多样性与鲁棒性，流水线引入了无关服务器洗牌、问题多样化以及多轮扩展等机制。最终，数据集包含超过150万条轨迹，每条轨迹均附带任务质量评估、响应质量评估和元数据注释，确保高质量与可追溯性。

特点

该数据集的核心特点在于其规模宏大且高度真实的工具代理交互场景。每个实例不仅包含多服务器、多工具的复杂任务，还通过上下文工具数量远超目标工具的设计，刻意增加了工具选择的挑战性。数据覆盖了单轮与多轮对话、并行工具调用等多种交互模式，真实反映了现实世界中代理与工具的复杂协作关系。此外，数据集提供了由不同基础模型生成的多个配置版本（如Kimi-K2、OSS、Qwen3），并精心筛选出可直接用于监督微调的SFT子集，极大提升了实用性与灵活性。

使用方法

使用者可通过HuggingFace Datasets库加载不同配置的子集，例如Kimi-K2、OSS、Qwen3或SFT。每个子集均包含训练集，数据字段涵盖唯一标识符、任务问题、工具调用轨迹、目标工具列表以及质量评估信息。对于模型微调，建议优先使用SFT配置，其数据已按Swift格式整理，可直接用于训练。研究者亦可利用完整轨迹数据进行更深入的代理行为分析或工具选择能力评估。数据集采用Apache 2.0许可证发布，便于学术与商业场景下的自由使用与再分发。

背景与挑战

背景概述

在大型语言模型（LLM）向智能体（Agent）演进的过程中，工具调用能力成为衡量其自主性与实用性的关键维度。然而，现有数据集多以单工具、单轮交互为主，难以支撑复杂多工具协同任务的训练需求。为此，来自华盛顿大学等机构的研究人员于2025年构建了Toucan-1.5M，这是迄今规模最大的全合成工具智能体数据集，由Zhangchen Xu、Adriana Meza Soria等学者主导。该数据集依托495个真实世界模型上下文协议（MCP）环境，涵盖超过2000个工具，通过自动化流水线生成了超过150万条多轮、多工具、串行与并行调用的轨迹，旨在解决模型在真实工具环境中进行复杂任务规划与执行的核心问题。Toucan-1.5M的发布显著推动了工具增强型LLM的发展，在BFCL V3与MCP-Universe等权威基准上，经其微调的模型性能超越了参数规模更大的闭源对手，展现了其在智能体研究领域的重要影响力。

当前挑战

Toucan-1.5M所面对的挑战根植于工具智能体领域的核心瓶颈。首先，领域问题方面，现有模型在真实多工具、多轮交互场景中的任务规划与错误恢复能力薄弱，数据集需提供涵盖大量干扰工具和复杂调用序列的训练样本，以提升模型在非平凡工具选择与动态环境中的鲁棒性。其次，构建过程中面临多重困难：数据收集依赖于社区MCP服务器，其不稳定性导致频繁连接失败，需设计精细的过滤策略以保留错误处理训练样例；合成数据生成涉及对495个MCP服务器进行种子任务设计、多轮轨迹模拟及质量评估，需确保任务的真实性、多样性与难度平衡；此外，数据采集时间窗口（2025年6月至9月）引入的时间偏差，需通过元数据标注与后续更新加以缓解，以维持数据的时效性与代表性。

常用场景

经典使用场景

在大型语言模型（LLM）智能体研究领域，Toucan-1.5M 数据集最经典的应用场景是用于训练和评估具备工具调用能力的智能体模型。该数据集基于 495 个真实世界模型上下文协议（MCP）环境，合成了超过 150 万条多轮、多工具、序列与并行调用的轨迹数据，为模型提供了丰富的、非平凡的智能体-工具交互范例。研究者通过在此数据集上进行监督微调（SFT），能够显著提升模型在复杂任务中的工具选择、编排与执行能力，从而在 BFCL V3 和 MCP-Universe 等权威基准上突破性能极限，甚至使小规模模型超越更大规模的闭源模型。

解决学术问题

Toucan-1.5M 数据集着力解决了当前智能体研究中两大核心学术困境：一是真实世界中多工具、多服务器协同场景下的训练数据匮乏问题，二是合成数据与真实环境之间存在的语义与执行鸿沟。通过引入真实 MCP 环境中的工具定义、服务器间依赖关系及动态响应，该数据集使得模型能够在高度仿真的条件下学习工具调用的逻辑推理与容错策略。其意义在于，它首次以百万级规模证明了全合成数据在工具智能体训练中的有效性，为后续研究提供了可复现的基准与方法论，推动了从简单指令执行向复杂、多步工具编排的范式转变。

衍生相关工作

Toucan-1.5M 数据集的发布催生了一系列衍生性经典工作。其一，基于该数据集微调的 Qwen2.5 系列模型（7B、14B、32B）被作为基线，在后续研究中用于对比不同合成策略对工具调用能力的影响。其二，数据集中包含的 question_quality_assessment 与 response_quality_assessment 字段，为 LLM-as-Judge 评估方法提供了标准化参照，推动了自动评估指标的发展。其三，研究者借鉴其全合成管线（Stages 1-5）与服务器混洗（server shuffle）策略，开发出针对特定领域（如医疗、法律）的工具智能体数据集生成框架。此外，该数据集还启发了关于多轮对话中工具记忆与状态追踪的研究，成为探索智能体长期规划与错误恢复能力的重要资源。