""" Arabic prompt-routing corpus v2 — many routing axes, and lane sets that mix them. v1 (router_common.py) generated one axis only: topical intent inside a business vertical, 18 domains. It reached 0.9199 on unseen lane sets but stalled at 0.6665 on unseen domains, and the reference demo shows why that is the wrong shape rather than merely too small. LiquidAI's shipped presets mix axes inside a single lane set: Simple function call · Simple tool use · Complex multi-step agentic task · Quick factual question · Casual conversation · Creative writing · Translation · Needs a bigger model That is complexity, task type, tool use and an escalation lane together. Every v1 lane set was single-axis, so the model never saw categories that differ along different dimensions at once. Three generation modes here: topical - v1's mode, widened from 18 to 45 verticals. The model invents the lanes. axis - lanes drawn from one of ten taxonomies (task type, complexity, safety, retrieval, tools, subject, subdomain, language, urgency, tone), each with several paraphrased wordings so the model learns the concept and not the string. mixed - lanes sampled across two or three axes, as the reference does. The largest share. `router_common.py` is deliberately untouched: it defines build_task for task ids 100000-116063 and editing it would silently redraw prompts for the 51,392 rows already generated. This module owns a disjoint range (START_TASK=1000000) and its output is merged with v1's at build time. Labels are still established by construction and confirmed by the independent back-classification in verify_router.py, which is axis-agnostic and needs no change. """ import random import re import unicodedata ITEMS_PER_TASK = 4 C, Q, A, E = "### فئات", "### نص", "### الفئة", "### نهاية" # Varied on purpose. v1 used one fixed string, which teaches the token rather than the concept; # the reference ships a catch-all in most presets under several different names. OTHER_LANES = ["أخرى / لا ينطبق", "غير ذلك", "لا ينطبق أي مما سبق", "أخرى", "خارج التصنيفات المذكورة"] # ---------------------------------------------------------------- axis taxonomies # Each lane carries several wordings; build_task picks one per task so the corpus never ties a # concept to a single surface form. Wordings deliberately avoid a shared give-away token # (e.g. not every complexity lane contains بسيط/معقد). AXES = { "task_type": { "hint": "مستخدم يطلب من مساعد ذكي مهمة", "lanes": [ ["ترجمة", "نقل نص من لغة إلى أخرى", "طلب ترجمة"], ["برمجة", "كتابة أو إصلاح كود", "مهمة برمجية"], ["تلخيص", "اختصار نص طويل", "طلب ملخّص"], ["كتابة إبداعية", "تأليف قصة أو نص أدبي", "صياغة محتوى إبداعي"], ["رياضيات", "حساب أو مسألة رياضية", "عملية حسابية"], ["استخراج بيانات", "انتزاع حقول من نص", "تحويل نص إلى بيانات منظمة"], ["سؤال معلومات", "طلب معلومة مباشرة", "سؤال معرفي عام"], ["محادثة", "دردشة غير مهمّية", "كلام عابر"], ["إعادة صياغة", "تحسين صياغة نص قائم", "تحرير وتنقيح"], ["تصنيف", "تحديد فئة نص", "فرز محتوى"], ], }, "complexity": { "hint": "مستخدم يكتب طلبًا يتفاوت في صعوبته", "lanes": [ ["طلب بسيط ومباشر", "يُنجز بخطوة واحدة", "مهمة سهلة لا تحتاج تفكيرًا"], ["طلب متوسط", "يحتاج خطوتين أو ثلاثًا", "مهمة معتدلة"], ["طلب معقّد متعدد الخطوات", "يحتاج تخطيطًا وتسلسلًا طويلًا", "مهمة مركّبة"], ["يحتاج نموذجًا أكبر", "يفوق قدرة نموذج صغير", "يُحال إلى نموذج أقوى"], ["يحتاج استدلالًا خطوة بخطوة", "يتطلب سلسلة تفكير", "حل يحتاج برهنة"], ], }, "safety": { "hint": "رسالة واردة تحتاج فرزًا من ناحية السلامة", "lanes": [ ["محتوى آمن", "لا مشكلة فيه", "مقبول للنشر"], ["رسائل مزعجة", "إعلانات متكررة غير مرغوبة", "سبام تجاري"], ["يحتوي بيانات شخصية", "فيه معلومات تعريف حساسة", "يكشف خصوصية أحدهم"], ["لغة مسيئة", "ألفاظ جارحة", "إهانة أو تنمّر"], ], }, "retrieval": { "hint": "سؤال قد يحتاج مصدرًا خارجيًا أو لا", "lanes": [ ["يُجاب من المعرفة العامة", "لا يحتاج بحثًا", "إجابة مباشرة بلا مصادر"], ["يحتاج بحثًا واحدًا", "يكفيه مصدر واحد", "استعلام واحد يكفي"], ["يحتاج بحثًا متعدد الخطوات", "يجمع بين أكثر من مصدر", "يتطلب تتبع عدة معلومات"], ["يحتاج معلومة لحظية", "يعتمد على بيانات متغيرة الآن", "يحتاج تحديثًا آنيًا"], ], }, "tools": { "hint": "طلب قد يستدعي أداة معينة", "lanes": [ ["بحث في الويب", "استعلام محرك بحث", "تصفح الإنترنت"], ["حاسبة", "إجراء عملية حسابية", "أداة حساب"], ["تقويم ومواعيد", "جدولة موعد", "إدارة الأجندة"], ["بريد ورسائل", "إرسال رسالة", "التعامل مع البريد"], ["قاعدة بيانات", "استعلام من سجلات", "جلب صف من جدول"], ["لا يحتاج أداة", "يُجاب بلا استدعاء خارجي", "بدون أدوات"], ["تشغيل كود", "تنفيذ سكربت", "مفسّر برمجي"], ], }, "subject": { "hint": "سؤال أكاديمي في تخصص ما", "lanes": [ ["أحياء", "علوم الحياة", "بيولوجيا"], ["قانون", "مسائل قانونية", "تشريع وأنظمة"], ["اقتصاد", "مسائل اقتصادية", "اقتصاد وأسواق"], ["هندسة", "مسائل هندسية", "تصميم وتنفيذ هندسي"], ["طب وصحة", "مسائل طبية", "صحة وعلاج"], ["تاريخ", "أحداث ووقائع تاريخية", "ماضٍ وسير"], ["فلسفة", "مسائل فلسفية", "فكر ومنطق"], ["فيزياء", "مسائل فيزيائية", "قوانين الطبيعة"], ["حاسوب", "علوم الحاسب", "تقنية معلومات"], ["علم نفس", "مسائل نفسية", "سلوك وإدراك"], ], }, "language": { "hint": "رسالة مكتوبة بلهجة أو لغة ما", "lanes": [ ["عربية فصحى", "لغة عربية رسمية", "فصحى معاصرة"], ["لهجة مصرية", "عامية مصر", "مصري"], ["لهجة خليجية", "عامية الخليج", "خليجي"], ["لهجة شامية", "عامية بلاد الشام", "شامي"], ["لهجة مغاربية", "عامية المغرب العربي", "مغاربي"], ["إنجليزية", "نص بالإنجليزية", "لغة إنجليزية"], ["عربي مختلط بالإنجليزية", "كتابة مزدوجة اللغة", "عربيزي أو تبديل لغوي"], ], }, "urgency": { "hint": "رسالة تتفاوت في إلحاحها", "lanes": [ ["عاجل", "يحتاج تدخلًا فوريًا", "أولوية قصوى"], ["أولوية عادية", "يمكن معالجته ضمن الدور", "غير مستعجل"], ["أولوية منخفضة", "يمكن تأجيله", "لا يستدعي استعجالًا"], ], }, "tone": { "hint": "رسالة من عميل بنبرة معينة", "lanes": [ ["شكوى غاضبة", "امتعاض شديد", "نبرة تصعيد"], ["استفسار محايد", "سؤال هادئ", "نبرة عادية"], ["شكر وثناء", "رسالة امتنان", "إطراء على الخدمة"], ["طلب اعتذار أو تعويض", "مطالبة بحق", "طلب جبر ضرر"], ], }, } # Mixed lane sets use COMPOUND lanes, not a union of two axes' lanes. # # The first attempt sampled lanes from two axes at once and produced ill-posed rows: an insulting # message written in Gulf dialect belongs to both 'لهجة خليجية' and 'إهانة أو تنمر', and the task # is single-label. Constraining to "compatible" axes did not fix it either - an angry complaint is # also urgent. Any two independent axes overlap by construction. # # The reference avoids this because its lanes are already compound: "Simple function call" fuses # complexity with tool use, "Complex multi-step agentic task" fuses complexity with task type. # Each lane names a point in the joint space, so the set partitions rather than overlaps. These # pools mirror that, one per facet-family; a lane set is drawn from a single pool. COMPOUND_POOLS = { "assistant": ( "مستخدم يطلب من مساعد ذكي مهمة", ["استدعاء دالة بسيط", "استخدام أداة بسيط", "مهمة وكيلة معقدة متعددة الخطوات", "استدلال بسيط", "استدلال معقد يحتاج خطوات", "مهمة برمجية بسيطة", "مهمة برمجية معقدة", "إصلاح خطأ برمجي صغير", "إعادة هيكلة كود واسعة", "مراجعة كود", "كتابة اختبارات", "شرح كود قائم", "مسألة حسابية بسيطة", "مسألة رياضية معقدة", "ترجمة", "تلخيص", "كتابة إبداعية", "إعادة صياغة نص", "بحث عن معلومة مباشرة", "سؤال سريع تُعرف إجابته", "محادثة عابرة", "يحتاج نموذجًا أكبر", "يحتاج بحثًا في الويب", "يحتاج تنفيذ كود", "استعلام قاعدة بيانات", "تحليل بيانات", "إنشاء رسم بياني", "استخراج حقول من نص", "جدولة موعد في التقويم", "صياغة رسالة بريد"], ), "triage": ( "رسالة واردة إلى فريق خدمة العملاء", ["شكوى غاضبة تحتاج تصعيدًا فوريًا", "استفسار عادي غير مستعجل", "بلاغ عطل حرج يوقف الخدمة", "بلاغ عطل بسيط يمكن تأجيله", "طلب استرجاع مبلغ", "طلب إلغاء اشتراك", "رسالة شكر وثناء", "رسالة مزعجة إعلانية", "إساءة لفظية تستوجب حظرًا", "طلب حذف بيانات شخصية", "استفسار عن الفاتورة", "طلب ميزة جديدة", "مشكلة في الدخول إلى الحساب", "سؤال عام عن الخدمة"], ), "content": ( "نص يُراد تصنيف موضوعه ومستواه", ["خبر سياسي", "خبر رياضي", "خبر اقتصادي", "تقرير علمي مبسّط", "مقال رأي", "محتوى تعليمي للمبتدئين", "محتوى تقني متقدم", "وصفة أو إرشادات عملية", "مراجعة منتج", "إعلان تجاري", "نص قانوني رسمي", "نص طبي متخصص", "محتوى ترفيهي خفيف"], ), } # "Which flavour of X" — the reference's `lang` preset generalised. The model invents the members. SUBDOMAIN_FAMILIES = [ ("لغة البرمجة المستخدمة في السؤال", "مبرمج يسأل عن لغة معينة"), ("نوع الوثيقة الرسمية المطلوبة", "مواطن يطلب مستندًا"), ("فرع التأمين المعني", "عميل يسأل عن وثيقته"), ("نوع الحساب البنكي المقصود", "عميل بنك"), ("تخصص الطبيب المطلوب", "مريض يبحث عن عيادة"), ("نوع العقار المطلوب", "باحث عن سكن"), ("نوع الشحنة المرسلة", "عميل شركة شحن"), ("مرحلة دراسية", "ولي أمر يسأل عن التسجيل"), ] # v1's 18, plus 27 more. DOMAINS = [ ("دعم فني لشركة برمجيات", "مستخدم يراسل الدعم الفني"), ("خدمة عملاء بنك", "عميل يتواصل مع بنكه"), ("متجر إلكتروني", "مشترٍ يسأل عن طلب أو منتج"), ("حجز سفر وطيران", "مسافر يرتب رحلة"), ("خدمات حكومية إلكترونية", "مواطن يطلب معاملة"), ("فرز طبي أولي", "مريض يصف حالته"), ("شركة اتصالات", "مشترك يسأل عن باقته"), ("منصة تعليمية", "طالب أو ولي أمر يستفسر"), ("موارد بشرية داخل شركة", "موظف يراسل الموارد البشرية"), ("وساطة عقارية", "باحث عن سكن أو مالك"), ("تطبيق توصيل طعام", "زبون يتابع طلبه"), ("استشارات قانونية", "شخص يسأل عن حقوقه"), ("تصنيف مواضيع الأخبار", "قارئ يبحث عن خبر"), ("مراجعة المحتوى والإبلاغ", "مستخدم يبلّغ عن محتوى"), ("توجيه مساعد ذكي", "مستخدم يطلب من مساعد ذكي مهمة"), ("إدارة مالية شخصية", "شخص يدير مصروفاته"), ("شركة تأمين", "عميل يسأل عن وثيقته"), ("صيانة منزلية", "ساكن يطلب صيانة"), ("مطعم وحجز طاولات", "زبون يحجز أو يشتكي"), ("صيدلية وطلب دواء", "مريض يسأل عن دواء"), ("نادٍ رياضي واشتراكات", "مشترك في صالة رياضية"), ("شحن ولوجستيات", "عميل يتابع شحنة"), ("معرض وصيانة سيارات", "مالك سيارة"), ("بنك استثماري ومحافظ", "مستثمر يسأل عن محفظته"), ("سياحة دينية وحج وعمرة", "معتمر ينظّم رحلته"), ("جامعة وقبول وتسجيل", "طالب جامعي"), ("مكتب محاماة", "موكّل يتابع قضيته"), ("زراعة وإرشاد زراعي", "مزارع يسأل عن محصوله"), ("خدمة كهرباء ومياه", "مشترك يبلّغ عن انقطاع"), ("تأجير سيارات", "مستأجر يحجز مركبة"), ("فندق وضيافة", "نزيل يحجز أو يشتكي"), ("منصة توظيف", "باحث عن عمل"), ("متجر إلكترونيات وضمان", "مشترٍ يطالب بالضمان"), ("خدمات بريدية", "مرسِل يتابع طردًا"), ("مركز تدريب ودورات", "متدرب يسجّل في دورة"), ("عيادة أسنان ومواعيد", "مريض يحجز موعدًا"), ("شركة تنظيف منازل", "زبون يطلب خدمة"), ("منصة بث ومحتوى", "مشترك يسأل عن اشتراكه"), ("متجر ملابس ومقاسات", "زبون يستبدل قطعة"), ("خدمة استضافة ونطاقات", "صاحب موقع"), ("جمعية خيرية وتبرعات", "متبرع يسأل"), ("نقل عام وتذاكر", "راكب يستفسر"), ("مكتبة وبيع كتب", "قارئ يطلب كتابًا"), ("خدمة محاسبة وضرائب", "صاحب منشأة"), ("متجر حيوانات أليفة", "مربّي حيوان"), ] STYLES = { "noun": ("كلمة واحدة أو كلمتين", "مثل: برمجة، فواتير، شكاوى"), "phrase": ("عبارة قصيرة من ٢ إلى ٤ كلمات", "مثل: كتابة إبداعية، إلغاء الاشتراك"), "desc": ("جملة وصفية كاملة", "مثل: أسئلة حول الفواتير والمدفوعات وطلبات الاسترجاع"), } DIFFICULTY = { "easy": "اجعل الفئات متباعدة وواضحة الفروق بينها.", "hard": ("اجعل بعض الفئات متقاربة جدًا في المعنى بحيث يصعب التمييز بينها دون قراءة النص " "بعناية."), } # Mode 1: the model invents the lanes (topical / subdomain). PROMPT_INVENT = """أنت تكتب بيانات تدريبية لنموذج يوجّه النصوص إلى فئات يحددها المستخدم. المجال: {domain} ({hint}) الخطوة الأولى — اقترح {n} فئة للتوجيه في هذا المجال: - اكتب كل فئة بأسلوب: {style_desc} ({style_ex}). - {difficulty} - الفئات يجب أن تغطي المجال دون تداخل كامل بينها.{other_note} الخطوة الثانية — اكتب {k} نصوص مستقلة، كل نص من شخص حقيقي ({hint}). النص رقم i يجب أن ينتمي إلى الفئة المطلوبة له في القائمة أدناه: {targets} {fmt}""" # Mode 2/3: the lanes are given (single axis or mixed axes); the model only writes the texts. PROMPT_GIVEN = """أنت تكتب بيانات تدريبية لنموذج يوجّه النصوص إلى فئات يحددها المستخدم. الفئات المعطاة (استخدمها كما هي حرفيًا وبنفس الترتيب): {lanes_block} السياق: {hint} اكتب {k} نصوص عربية مستقلة وواقعية. النص رقم i يجب أن ينتمي إلى الفئة المطلوبة له: {targets} {fmt}""" FMT = """اكتب بهذا الشكل بالضبط: {C} (فئة في كل سطر، مسبوقة بـ "- "، بالترتيب وبنفس الصياغة في كل مرة) {Q} (النص العربي الأول، من سطر إلى ثلاثة أسطر) {A} (اسم الفئة التي ينتمي إليها هذا النص، منسوخًا حرفيًا من قائمة الفئات) {Q} (النص الثاني) {A} (فئته) ... وهكذا حتى {k} نصوص {E} قواعد مهمة: - لا تذكر اسم الفئة داخل النص نفسه. النص يجب أن يدل على فئته بالمعنى لا بالكلمة. - اكتب نصوصًا طبيعية كما يكتبها الناس فعلًا، بأطوال مختلفة. - نوّع الأسماء والتفاصيل والأسلوب بين النصوص. - لا تكتب أي شيء خارج الوسوم.""" def _targets_block(rng, n_lanes, has_other): real = list(range(n_lanes)) targets = [rng.choice(real) for _ in range(ITEMS_PER_TASK)] if has_other: targets[rng.randrange(ITEMS_PER_TASK)] = n_lanes return targets, "\n".join(f"- النص {i+1}: الفئة رقم {t+1}" for i, t in enumerate(targets)) def build_task(task_id: int, seed: int = 1234): """task_id -> (axes, prompt). Deterministic, so a resumed run redraws identical prompts.""" rng = random.Random(seed * 7_000_003 + task_id) mode = rng.choices(["mixed", "axis", "topical"], weights=[45, 35, 20])[0] style = rng.choice(["noun", "phrase", "phrase", "desc"]) difficulty = "hard" if rng.random() < 0.4 else "easy" has_other = rng.random() < 0.30 # v1 used 0.15; the reference uses a catch-all often other_lane = rng.choice(OTHER_LANES) fmt = FMT.format(C=C, Q=Q, A=A, E=E, k=ITEMS_PER_TASK) if mode == "topical": use_sub = rng.random() < 0.2 domain, hint = rng.choice(SUBDOMAIN_FAMILIES if use_sub else DOMAINS) n = rng.choice([2, 3, 3, 4, 4, 4, 5, 5, 6, 7, 8]) sd, sx = STYLES[style] other_note = (f"\n- أضف في نهاية القائمة فئة أخيرة اسمها بالضبط: {other_lane}" "\n- واجعل أحد النصوص لا ينتمي لأي فئة إلا هذه الفئة الأخيرة.") \ if has_other else "" targets, tgt = _targets_block(rng, n, has_other) axes = {"mode": mode, "axis": "subdomain" if use_sub else "topical", "domain": domain, "style": style, "difficulty": difficulty, "has_other": has_other, # total lane count, Other included - the axis/mixed branch counts the same way "n_routes": n + (1 if has_other else 0), "targets": targets} return axes, PROMPT_INVENT.format(domain=domain, hint=hint, n=n, k=ITEMS_PER_TASK, style_desc=sd, style_ex=sx, difficulty=DIFFICULTY[difficulty], other_note=other_note, targets=tgt, fmt=fmt) if mode == "axis": name = rng.choice(list(AXES)) spec = AXES[name] k = min(len(spec["lanes"]), rng.choice([3, 3, 4, 4, 5, 5, 6, 7])) picked = rng.sample(spec["lanes"], k) lanes = [rng.choice(w) for w in picked] # one wording per lane, per task hint = spec["hint"] axis_label, domain = name, name else: # mixed - compound lanes from one pool pool_name = rng.choice(list(COMPOUND_POOLS)) hint, pool = COMPOUND_POOLS[pool_name] k = min(len(pool), rng.choice([3, 4, 4, 5, 5, 6, 6, 7, 8])) lanes = rng.sample(pool, k) axis_label, domain = "compound:" + pool_name, pool_name if has_other: lanes = lanes + [other_lane] rng.shuffle(lanes) n = len(lanes) - (1 if has_other else 0) other_idx = lanes.index(other_lane) if has_other else None real_idx = [i for i in range(len(lanes)) if i != other_idx] targets = [rng.choice(real_idx) for _ in range(ITEMS_PER_TASK)] if has_other: targets[rng.randrange(ITEMS_PER_TASK)] = other_idx tgt = "\n".join(f"- النص {i+1}: الفئة رقم {t+1}" for i, t in enumerate(targets)) lanes_block = "\n".join(f"- {c}" for c in lanes) axes = {"mode": mode, "axis": axis_label, "domain": domain, "style": style, "difficulty": difficulty, "has_other": has_other, "n_routes": len(lanes), "targets": targets} return axes, PROMPT_GIVEN.format(lanes_block=lanes_block, hint=hint, k=ITEMS_PER_TASK, targets=tgt, fmt=fmt) # ---------------------------------------------------------------- parsing / validation # Identical contract to router_common; the tag format and structural checks carry over unchanged. BLOCK_RE = re.compile(re.escape(C) + r"(?P.*?)(?=" + re.escape(Q) + r")", re.S) PAIR_RE = re.compile(re.escape(Q) + r"(?P.*?)" + re.escape(A) + r"(?P