WildChat-1M — LLM 指令 / SFT Dataset
1M real user-ChatGPT conversations with demographics, including a significant fraction of contentious and adversarial prompts. Particularly valuable for safety research, toxicity analysis, and understanding model failure modes in production — collected with explicit user consent.
Dataset Details
| Provider | allenai |
| Category | 指令 / SFT |
| Size | 1M Chats |
| License | AI2 ImpACT |
| Downloads | 280k |
| Tags | Real-world, Safety, Adversarial, Multi-turn, 2024 |
from datasets import load_dataset
ds = load_dataset("allenai/WildChat-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
- LMSYS-Chat-1M — Studying real-world usage patterns across 25 models (non-commercial)
- 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
WildChat-1M 可以商用吗？
请先核实条款——WildChat-1M 采用「AI2 ImpACT」自定义或混合许可证。在任何商业产品中使用前，请仔细阅读数据集卡片。
WildChat-1M 有多少数据？需要全部使用吗？
WildChat-1M 包含 1M Chats。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。
WildChat-1M 最适合做什么？
Training on real user conversations; safety and robustness research。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