ShareGPT 52K — LLM 指令 / SFT Dataset
Real multi-turn conversations scraped from ShareGPT.com — a site where users shared their best ChatGPT chats. Contains 52k real human-AI conversation trees. The dataset that made Vicuna and OpenChat possible by teaching models natural multi-turn dialogue.
Dataset Details
| Provider | RyokoAI |
| Category | 指令 / SFT |
| Size | 52k Conversations |
| License | CC-BY-NC 4.0 |
| Downloads | 1.1M |
| Tags | Multi-Turn, Real-World, ChatGPT, Conversational |
from datasets import load_dataset
ds = load_dataset("RyokoAI/ShareGPT52K")
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
- LMSYS-Chat-1M — Studying real-world usage patterns across 25 models (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
ShareGPT 52K 可以商用吗？
不能用于产品——ShareGPT 52K 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。
ShareGPT 52K 有多少数据？需要全部使用吗？
ShareGPT 52K 包含 52k 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。
ShareGPT 52K 最适合做什么？
Teaching natural multi-turn dialogue (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