Milion prawdziwych rozmów użytkowników z ChatGPT wraz z danymi demograficznymi, w tym znaczący odsetek promptów kontrowersyjnych i adwersarialnych. Szczególnie cenny w badaniach nad bezpieczeństwem, analizie toksyczności i rozumieniu trybów awarii modeli w produkcji — zebrany za wyraźną zgodą użytkowników.
Dataset Details
Provider
allenai
Category
Instrukcje / SFT
Size
1M Chats
License
AI2 ImpACT
Downloads
280k
Tags
Real-world, Safety, Adversarial, Multi-turn, 2024
from datasets import load_dataset
ds = load_dataset("allenai/WildChat-1M")
Fine-tuning z tym zbiorem danych
Szacowany VRAM do fine-tuningu z QLoRA (model bazowy 4-bit + adaptery LoRA), przy zachowawczych ustawieniach:
Python-Edu — Continued pretraining for Python code understanding
OpenHermes 2.5 — The default general-purpose SFT mix for 7B-13B fine-tunes
Najczęstsze pytania
Czy mogę użyć WildChat-1M komercyjnie?
Najpierw sprawdź warunki — WildChat-1M jest dystrybuowany na licencji „AI2 ImpACT" (niestandardowej lub mieszanej). Przeczytaj uważnie kartę zbioru przed użyciem w produkcie komercyjnym.
Ile danych zawiera WildChat-1M i czy potrzebuję wszystkich?
WildChat-1M zawiera 1M Chats. 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 WildChat-1M nadaje się najlepiej?
Training on real user conversations; safety and robustness research. Należy do sekcji „Instrukcje / SFT" naszego centrum zbiorów danych, gdzie znajdziesz alternatywy i zbiory komplementarne.