Azure99/blossom-chat-v2

Blossom Chat V2是基于ShareGPT 90K衍生而来的中英双语对话数据集，适用于多轮对话微调。相比于前一版本，进一步优化了数据处理流程，并配平了中英语料。本数据集抽取了ShareGPT的多轮对话指令，仅将指令进行翻译，随后使用多轮指令迭代调用gpt-3.5-turbo-0613。相比原始的ShareGPT数据，主要解决了中文对话数据量较少，以及由ChatGPT生成长度限制而导致的输出截断问题。本次发布了全量数据的20%，包含30K记录。数据集以中文和英文为主，中英文数据按照约1:1的比例混合。每条数据代表一个完整的多轮对话，包含id和conversations两个字段。数据集存在一些限制，如多轮对话可能不连贯，以及响应可能包含不准确甚至严重错误的回答。

原始信息汇总

BLOSSOM CHAT V2 数据集概述

介绍

Blossom Chat V2 是一个基于 ShareGPT 90K 衍生而来的中英双语对话数据集，专门用于多轮对话微调。与之前的版本 blossom-chat-v1 相比，本数据集进一步优化了数据处理流程，并平衡了中英语料。数据集抽取了 ShareGPT 的多轮对话指令，仅将指令进行翻译，随后使用多轮指令迭代调用 gpt-3.5-turbo-0613。主要解决了中文对话数据量较少，以及由 ChatGPT 生成长度限制导致的输出截断问题。本次发布了全量数据的 20%，包含 30K 记录。

语言

数据集以中文和英文为主，中英文数据按照约 1:1 的比例混合。

数据集结构

每条数据代表一个完整的多轮对话，包含以下字段：

• id：字符串，代表原始 ShareGPT 的对话 id。
• conversations：对象数组，每个对象包含 role 和 content 两个字段。role 的取值为 user 或 assistant，分别代表用户输入和助手输出，content 则为对应的内容。

数据集限制

• 由于仅抽取了原始多轮对话的输入，对于一些涉及随机性的对话，例如猜随机数，可能会出现多轮对话不连贯的情况。
• 本数据集的所有响应均由 gpt-3.5-turbo-0613 生成，并未经过严格的数据校验，可能包含不准确甚至严重错误的回答。