ConsistentChat

ConsistentChat是一个多轮指令数据集，包含大约15,000个多轮对话和224,392个语句。该数据集通过Skeleton-Guided Multi-Turn Dialogue Generation框架构建，旨在通过显式建模人类对话意图来约束多轮指令合成，从而提高对话的连贯性和任务完成率。

ConsistentChat is a multi-turn instruction dataset consisting of approximately 15,000 multi-turn dialogues and 224,392 utterances. This dataset is constructed via the Skeleton-Guided Multi-Turn Dialogue Generation framework, which aims to constrain multi-turn instruction synthesis by explicitly modeling human conversational intentions, thereby improving dialogue coherence and task completion rates.

原始信息汇总

ConsistentChat 数据集概述

基本信息

• 名称: ConsistentChat
• 许可证: MIT
• 任务类别: 文本生成
• 语言: 英语
• 标签: 聊天
• 数据规模: 10K-100K

数据集简介

ConsistentChat 是一个用于训练大语言模型的多轮对话数据集，专注于构建骨架引导的一致性多轮对话。该数据集通过建模人类对话意图来解决现有指令数据合成方法主要关注单轮指令而忽略跨轮一致性的问题。

核心方法

采用骨架引导的多轮对话生成框架，包含两个阶段：

1. 意图建模: 通过将每个对话分配到九个明确定义的意图轨迹之一来捕捉人类对话的全局结构
2. 骨架生成: 构建与建模意图一致的用户查询结构序列，作为约束和指导下游指令合成过程的支架

数据统计

• 总对话数: 约15,000个多轮对话
• 总话语数: 224,392条话语
• 生成模型: Qwen-2.5-72B-Instruct

详细统计信息

数据集包含九种对话交互类型，每种类型的详细统计如下：

统计指标	问题解决	教育交互	健康咨询	探索性交互	娱乐交互	模拟交互	情感支持	信息检索	交易交互
每对话平均话语数	15.39	15.62	15.60	15.45	15.65	15.59	15.57	15.40	15.38
查询平均词数	19.64	18.73	19.67	19.94	20.79	19.22	20.82	18.99	20.01
查询最大词数	37	38	38	46	42	43	46	37	42
响应平均词数	59.09	61.91	60.34	60.44	56.03	56.63	62.85	55.58	56.06
响应最大词数	135	119	124	128	125	118	121	133	119
每轮平均词数	39.36	40.32	40.00	40.19	38.41	37.93	41.83	37.28	38.03
每轮最大词数	135	119	124	128	125	118	121	133	119
总对话数	1631	1632	1633	1615	1585	1604	1573	1637	1551
总话语数	25104	25494	25474	24952	24808	25002	24486	25216	23856

使用方式

python from datasets import load_dataset

加载数据集

dataset = load_dataset("jiawei-ucas/ConsistentChat")

打印数据集结构

print(dataset)

访问训练集中的示例

print(dataset["train"][0])

实验效果

在Light、TopDial和MT-Eval基准测试中，使用ConsistentChat微调的模型在聊天一致性方面实现了20-30%的提升，任务成功率最高提高了15%，显著优于在现有单轮和多轮指令数据集上训练的模型。

引用

bibtex @misc{chen2025consistentchat, title={ConsistentChat: Building Skeleton-Guided Consistent Dialogues for Large Language Models from Scratch}, author={Jiawei Chen and Xinyan Guan and Qianhao Yuan and Guozhao Mo and Weixiang Zhou and Yaojie Lu and Hongyu Lin and Ben He and Le Sun and Xianpei Han}, year={2025}, eprint={2506.03558}, archivePrefix={arXiv}, primaryClass={cs.CL}, url={https://arxiv.org/abs/2506.03558}, }

搜集汇总

数据集介绍

构建方式

在对话系统研究领域，ConsistentChat采用骨架引导的多轮对话生成框架构建而成。该框架通过意图建模阶段将对话归类至九种预定义意图轨迹，确保对话具备全局一致性与目标导向性；随后在骨架生成阶段构建与意图对齐的结构化查询序列，为指令合成提供约束性支架。基于Qwen-2.5-72B-Instruct模型生成的约1.5万轮对话、22万余条话语，形成了兼具逻辑连贯性与任务完成度的多轮指令数据集。

特点

该数据集显著特征体现在其多维度统计规范性与领域覆盖广度上。涵盖问题解决、教育咨询、健康关怀等九类对话意图，每类对话平均包含15轮以上交互，话语长度分布均衡。查询词数均值稳定在18-21词区间，响应词数控制在55-63词范围，最大词数不超过135词，体现了高质量对话的数据一致性。总计224,392条话语均遵循骨架引导的结构化生成原则，确保了跨轮次语义连贯性与任务完成有效性。

使用方法

研究者可通过HuggingFace数据集库直接加载ConsistentChat进行模型训练与评估。使用load_dataset函数调用“jiawei-ucas/ConsistentChat”即可获取完整数据，其JSONL格式包含所有多轮对话记录与元数据。该数据集适用于微调大语言模型的多轮对话一致性能力，在Light、TopDial等基准测试中可验证模型跨轮次语义保持性能与任务成功率，实验表明其能使模型对话一致性提升20-30%，任务成功率最高增加15%。

背景与挑战

背景概述

在自然语言处理领域，多轮对话一致性一直是对话系统研究的核心难题。ConsistentChat数据集由中国科学院大学研究团队于2025年创建，旨在解决现有指令数据合成方法中普遍存在的跨轮次连贯性缺失问题。该数据集通过创新性地提出骨架引导的多轮对话生成框架，将人类对话意图建模为九种明确的意图轨迹，构建了包含约1.5万组多轮对话、22万余条语句的大规模语料库。其在Light、TopDial和MT-Eval等基准测试中展现出的显著性能提升，为提升大语言模型在长对话中的上下文一致性和任务完成率提供了重要数据支撑。

当前挑战

多轮对话系统面临的核心挑战在于维持跨轮次语义连贯性与避免上下文漂移，传统单轮指令数据难以捕捉对话的全局结构和意图演进。数据集构建过程中，研究者需要克服对话意图建模的复杂性，确保九类意图轨迹既能覆盖多样化对话场景，又能保持内在逻辑一致性。同时，骨架生成阶段需平衡结构化约束与语言自然性，避免过度机械化导致对话流畅度下降。此外，大规模高质量多轮对话数据的标注与验证也面临耗时耗力的实际困难。

常用场景

经典使用场景

在对话系统研究领域，ConsistentChat数据集被广泛应用于多轮对话一致性建模。该数据集通过骨架引导的对话生成框架，为大型语言模型提供了具有明确意图轨迹的多轮对话样本，涵盖问题解决、教育咨询、健康问诊等九类对话场景。研究者利用其结构化的对话流，训练模型在长对话中保持上下文连贯性和意图一致性，显著提升了多轮对话的任务完成率与逻辑连贯性。

实际应用

在实际应用层面，ConsistentChat为智能客服、教育辅导和健康咨询等场景提供了高质量的对话训练数据。其构建的九类意图轨迹与实际服务场景高度契合，能够支撑对话系统在复杂交互中保持专业性和一致性。基于该数据集训练的模型在任务完成率上提升达15%，显著增强了实际对话系统的服务效率和用户体验。

衍生相关工作

该数据集催生了多项基于骨架引导的对话生成研究，包括意图轨迹建模算法改进和跨场景对话迁移学习等工作。其提出的两阶段生成框架为后续研究提供了可扩展的范式，衍生出如动态骨架调整、多模态对话一致性等研究方向。相关成果已应用于对话状态跟踪和个性化对话生成等领域，推动了多轮对话技术的系统化发展。