ShareGPT 52K
Prawdziwe wielotonowe rozmowy zebrane z ShareGPT.com — serwisu, w którym użytkownicy dzielili się swoimi najlepszymi czatami z ChatGPT. Zawiera 52 tys. autentycznych drzew konwersacji człowiek–AI. To dzięki temu zbiorowi powstały Vicuna i OpenChat — nauczył modele naturalnego dialogu wielotonowego.
from datasets import load_dataset
ds = load_dataset("RyokoAI/ShareGPT52K")Podgląd przykładowego wiersza
{
"conversations": [
{ "from": "human", "value": "What is supervised learning?" },
{ "from": "gpt", "value": "In supervised learning, a model is trained on labeled examples — input-output pairs — so it learns to predict outputs for new inputs." },
{ "from": "human", "value": "Can you give a simple example?" },
{ "from": "gpt", "value": "Sure! Spam detection is classic: you train on emails labeled 'spam' or 'not spam', and the model learns to classify new emails." }
]
}Fine-tuning z tym zbiorem danych
Szacowany VRAM do fine-tuningu z QLoRA (model bazowy 4-bit + adaptery LoRA), przy zachowawczych ustawieniach:
Pierwszy fine-tuning? Przejdź przewodnik krok po kroku: Zrób fine-tuning pierwszego LLM w godzinę
Najczęstsze pytania
Czy mogę użyć ShareGPT 52K komercyjnie?
Nie w produkcie — ShareGPT 52K jest udostępniony na licencji CC-BY-NC 4.0, która ogranicza użycie do badań i innych celów niekomercyjnych. Do komercyjnego fine-tuningu wybierz zbiór na liberalnej licencji z tej samej kategorii.
Ile danych zawiera ShareGPT 52K i czy potrzebuję wszystkich?
ShareGPT 52K zawiera 52k Conversations. Rzadko potrzebujesz całości: do fine-tuningu stylu i formatu wystarcza kilkaset–kilka tysięcy przykładów — załaduj wycinek (np. split="train[:1000]") i zwiększaj skalę tylko, gdy jakość przestaje rosnąć.
Do czego ShareGPT 52K nadaje się najlepiej?
Teaching natural multi-turn dialogue (non-commercial). Należy do sekcji „Instrukcje / SFT" naszego centrum zbiorów danych, gdzie znajdziesz alternatywy i zbiory komplementarne.