LMSYS-Chat-1M — LLM 指令 / SFT Dataset
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.
Dataset Details
| Provider | lmsys |
| Category | 指令 / SFT |
| Size | 1M Conversations |
| License | CC BY-NC 4.0 |
| Downloads | 740k |
| Tags | Real-world, Multi-model, Diverse, 154 Languages, Human Conversations |
from datasets import load_dataset
ds = load_dataset("lmsys/lmsys-chat-1m")
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 VRAM |
| 13B 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
相关数据集
- WildChat-1M — Training on real user conversations; safety and robustness research
- ShareGPT 52K — Teaching natural multi-turn dialogue (non-commercial)
- Python-Edu — Continued pretraining for Python code understanding
- OpenHermes 2.5 — The default general-purpose SFT mix for 7B-13B fine-tunes
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。
← 全部数据集 | Fine-Tuning Guide