BEV 150K Decision Mix（仓库名bev-decision-150K）是一个由 4 个独立构建批次合并而成的15 万行英文有界决策数据集，共包含 296,582 个决策问题，覆盖情感分类、工具路由、金融报表等 17 个领域。其中 20,000 行切片由GPT-6 Luna完成了问题重写与源引文选取，所有标签均保留原始来源支撑。这篇文章带你拆解它的批次构成、三种决策格式和重写过程，帮你在动手使用前先搞清楚这份数据的来历。

🧩 三种决策格式：CHOICE、NOUL、SCORE

BEV 150K 的设计目标是训练"做有界决策"的模型：给定输入状态，模型只需选一个选项、判断一个命题、或打一个有序分数，而不是生成大段自由文本。

每一行数据包含state（输入状态）和questions_json（决策问题集合）两个核心字段，问题分为三种类型：

三者的标注方式各不相同：

• CHOICE：criteria把稳定的答案 key 映射到选项描述，label就是其中一个 key；
• NOUL：label是布尔值（true / false）；
• SCORE：criteria是有序锚定等级的列表，label是它的零基下标。

⚠️ 注意：SCORE 的标签是序数目标（ordinal target），既不是校准过的概率，也不是无约束的数值预测。

为什么问题数（296,582）远多于行数（150,000）？因为同一个 state 可以携带多个决策目标，多个问题共享同一条输入状态。

📊 4 个独立批次：50,000 + 19,997 + 50,000 + 30,003

这份混合数据集并非一次性生成，而是由4 个独立构建的批次贡献而成：

大部分标签来自上游标注、记录结果、测试转移、模拟器重放或声明的确定性策略，而非模型凭空生成。

打包时的 169 行调整：一行未增、一行未删

最终发布的切分为：train 125,614 行 / test 24,386 行，且没有验证集（validation split）。

为什么切分数和 4 个批次直接相加有出入？因为打包时有169 行被重新分配：

• 166 条 Upworthy 行从 test 移到 train；
• 3 行从 train 移到 test。

移动的唯一目的是：让重复的输入状态和相关的来源组保持在同一侧，避免同一状态在 train / test 两侧"泄漏"。整个过程没有新增或删除任何行，原始的 4 个批次也保持不变。

发布版共包含140,007 个去重后的归一化输入状态；同一个切分内重复出现的状态可以携带不同的决策问题。

✍️ GPT-6 Luna 重写过程：改的是措辞，不是答案

关于数据来源，README 中的 Construction and provenance 章节给出了明确的边界。GPT-6 Luna 的参与分两层：

第一层：20,000 行切片的问题重写

在这 20,000 行中，GPT-6 Luna 做了两件事：

1. 重写有界决策问题的措辞，让问题表达更自然；
2. 从现有记录中选取源引文（source quotes），为问题提供文本依据。

关键点：所有有来源支撑的标签都被原样保留——模型只动"问法"，不动"答案"。

第二层：更小规模的重写步骤

其他较小的 Luna 步骤包括：

• 为现有响应选项命名；
• 生成日期可核验的截止日期类问题（date-checkable deadline questions）。

一条明确的红线：模型没有为本发布撰写任何新的原始来源段落（primary source passages）。

另外需要坦诚的一点：部分上游语料本身就是合成的、模板生成的或模型生成的——所以这不是一个"纯人类撰写 prompt"的集合。

每行数据带有主domain类别，README.md 中的领域表格列出了各上游来源；不过行级来源标识、原始来源下载和生成脚本都不随发布提供。

🌍 17 个领域的覆盖：从情感分析到游戏状态

数据集按"每行一个主领域"统计，实际发布的混合构成如下（节选占比前列的领域）：

可以看出，数据集的长尾刻意压得比较短：排名靠后的领域（如垃圾短信检测 1,399 行、葡萄酒质量评分 1,300 行）都是"小而精"的补充，保证决策场景足够多样。

📦 文件结构：两个 Parquet 文件与 5 列

整个发布只包含两个数据文件：

• data/train.parquet —— 125,614 行
• data/test.parquet —— 24,386 行

每个文件有 5 列：state、questions_json、domain、question_types、question_count，其中 JSON 列存放灵活的 JEV 风格问题对象。

为什么用 Parquet 而不是 JSON？因为异构的嵌套问题对象无法被可靠地推断为单一的 Arrow JSON schema，Parquet 是更稳妥的容器。

加载示例（Hugging Facedatasets）：

import json from datasets import load_dataset ds = load_dataset("avbiswas/bev-decision-150K") example = ds["train"][0] state = example["state"] questions = json.loads(example["questions_json"])

⚖️ 使用前的三个注意事项：许可、评测与标签

1）没有"一揽子"许可

这是混合来源发布，Hub 元数据标注为license: unknown，不主张任何统一的宽松许可。再分发或商用前，请逐个核对各领域表格中链接的上游来源及其条款，并对实际用到的每个来源做归属说明。

2）test 切分不是独立基准

test 只是混合体中留出的一部分，而且数据集本身包含多个现有基准家族——如果你要在同样的公开基准上评测，先检查记录与来源家族的重复情况。

3）部分标签的含义比名字更窄

• 银行"订阅"是观测结果，不是"应该联系该客户"的因果建议；
• CVSS 基础严重度不是资产专属风险；
• 游戏分数描述的是即时状态转移，而非长期期望收益；
• Taskmaster 的服务选择来自标注对话的推导，不是工具执行日志。

此外：部分选择题选项是采样或构造的，答案频率有时被重新平衡过——因此 test 切分和 SCORE 输出都不意味着现实世界校准；部分源判断与 LLM 重写的问题可能存在噪声；自动化的英文过滤也不能保证每条节选都是完美英文。

🚀 快速上手：三步开始使用

1. 加载数据集：用load_dataset("avbiswas/bev-decision-150K")读取 train / test 两个切分；
2. 解析问题：json.loads(row["questions_json"])得到问题对象，按CHOICE/NOUL/SCORE类型分别处理标签；
3. 按领域采样：利用domain与question_types两列做分层抽样，验证模型在决策任务上的表现。

小结

BEV 150K Decision Mix 的构建思路可以概括为一句话：4 个独立批次贡献 150,000 行有界决策数据，标签尽量保留上游来源，GPT-6 Luna 只负责重写问题措辞和选取源引文，不改动答案、不新造来源。如果你需要一个覆盖多领域、格式统一（CHOICE / NOUL / SCORE）、以 Parquet 交付的决策训练混合集，它可以是一个不错的起点——只需留意它的许可边界和"test 非独立基准"这一属性即可。