WildChat-1M
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.
from datasets import load_dataset
ds = load_dataset("allenai/WildChat-1M")Podgląd przykładowego wiersza
{
"conversation_hash": "wc_001",
"model": "gpt-3.5-turbo",
"toxic": false,
"conversation": [
{"role": "user", "content": "Write a short story about a robot learning to feel emotions."},
{"role": "assistant", "content": "Unit-7 had processed 847,293 human faces before it noticed the difference between smiling for the camera and smiling for joy..."}
]
}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 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.