指令 / SFT · lmsys

LMSYS-Chat-1M

One million real conversations between users and 25 different state-of-the-art LLMs collected from Chatbot Arena. Invaluable for understanding real-world usage patterns, language diversity, and human preferences — spans 154 languages and covers everyday tasks, creative writing, coding, and more.

在 Hugging Face 查看 →阅读论文

加载

from datasets import load_dataset
ds = load_dataset("lmsys/lmsys-chat-1m")

预览示例数据

{
  "conversation_id": "abc123",
  "model": "gpt-4",
  "conversation": [
    {"role": "user", "content": "Can you help me debug this Python code?"},
    {"role": "assistant", "content": "I'd be happy to help! Please paste the code and describe the error."}
  ],
  "language": "English"
}

用这个数据集微调

使用 QLoRA（4-bit 基础模型 + LoRA 适配器）微调的预计显存需求（保守默认参数）：

7B QLoRA · ~6GB VRAM13B QLoRA · ~10GB VRAM

检测你的 GPU 能否微调 →

微调新手？跟着分步教程走：一小时微调你的第一个 LLM

常见问题

LMSYS-Chat-1M 可以商用吗？

不能用于产品——LMSYS-Chat-1M 采用 CC BY-NC 4.0，仅限研究等非商业用途。商业微调请改用同类别中宽松许可的数据集。

LMSYS-Chat-1M 有多少数据？需要全部使用吗？

LMSYS-Chat-1M 包含 1M Conversations。通常不需要全部：风格和格式微调只需几百到几千条样本——先加载切片（如 split="train[:1000]"），质量到达瓶颈时再扩大规模。

LMSYS-Chat-1M 最适合做什么？

Studying real-world usage patterns across 25 models (non-commercial)。它属于数据集中心的「指令 / SFT」板块，那里有替代和互补的数据集。