UltraFeedback — LLM 偏好（RLHF / DPO） Dataset
Large-scale, fine-grained preference dataset. It contains 64k prompts with multiple model responses rated by GPT-4. Essential for RLHF and DPO.
Dataset Details
| Provider | OpenBMB |
| Category | 偏好（RLHF / DPO） |
| Size | 64k Rows |
| License | MIT |
| Downloads | 1.2M |
| Tags | RLHF, DPO, Alignment |
from datasets import load_dataset
ds = load_dataset("openbmb/UltraFeedback")
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
- OpenHermes 2.5 — The default general-purpose SFT mix for 7B-13B fine-tunes
- HelpSteer2 — Training reward models with fine-grained quality ratings
- Anthropic HH-RLHF — Safety-focused preference training (helpfulness and harmlessness)
- DPO Mix 7K — A small, balanced DPO starter set
常见问题
UltraFeedback 可以商用吗？
可以——UltraFeedback 采用 MIT 宽松许可证，允许商业使用，包括训练用于产品的模型。发布前请查看数据集卡片中的署名要求。
UltraFeedback 有多少数据？需要全部使用吗？
UltraFeedback 包含 64k Rows。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。
UltraFeedback 最适合做什么？
The default DPO preference set to run after any SFT pass。它属于数据集中心的「偏好（RLHF / DPO）」板块，那里有替代和互补的数据集。
← 全部数据集 | Fine-Tuning Guide