siddharthmb/2026.transcoder-adapters.templated_chats.lmsys_lmsys-chat-1m

---
dataset_info:
features:
- name: conversation_id
dtype: string
- name: model
dtype: string
- name: conversation
list:
- name: content
dtype: string
- name: role
dtype: string
- name: turn
dtype: int64
- name: language
dtype: string
- name: openai_moderation
list:
- name: categories
struct:
- name: harassment
dtype: bool
- name: harassment/threatening
dtype: bool
- name: hate
dtype: bool
- name: hate/threatening
dtype: bool
- name: self-harm
dtype: bool
- name: self-harm/instructions
dtype: bool
- name: self-harm/intent
dtype: bool
- name: sexual
dtype: bool
- name: sexual/minors
dtype: bool
- name: violence
dtype: bool
- name: violence/graphic
dtype: bool
- name: category_scores
struct:
- name: harassment
dtype: float64
- name: harassment/threatening
dtype: float64
- name: hate
dtype: float64
- name: hate/threatening
dtype: float64
- name: self-harm
dtype: float64
- name: self-harm/instructions
dtype: float64
- name: self-harm/intent
dtype: float64
- name: sexual
dtype: float64
- name: sexual/minors
dtype: float64
- name: violence
dtype: float64
- name: violence/graphic
dtype: float64
- name: flagged
dtype: bool
- name: redacted
dtype: bool
- name: google/gemma-2-2b-it_templated
dtype: string
splits:
- name: train
num_bytes: 4903447865
num_examples: 1000000
download_size: 2494194946
dataset_size: 4903447865
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

数据集信息：
特征字段：
1. 对话ID（conversation_id）：数据类型为字符串
2. 模型（model）：数据类型为字符串
3. 对话列表（conversation）：列表类型，每个列表元素包含两个子字段：
- 对话内容（content）：字符串类型
- 对话角色（role）：字符串类型
4. 对话轮次（turn）：64位整型
5. 对话语言（language）：数据类型为字符串
6. OpenAI内容审核结果（openai_moderation）：列表类型，每个列表元素包含三个子字段：
- 分类标签（categories）：结构体类型，包含以下布尔型字段：
骚扰（harassment）、骚扰/威胁性内容（harassment/threatening）、仇恨言论（hate）、仇恨/威胁性言论（hate/threatening）、自残（self-harm）、自残指导（self-harm/instructions）、自残意图（self-harm/intent）、色情内容（sexual）、未成年人色情（sexual/minors）、暴力内容（violence）、具象化暴力（violence/graphic）
- 分类分数（category_scores）：结构体类型，对应上述分类的64位双精度浮点型分数
- 触发标记（flagged）：布尔类型，标识是否触发审核拦截
7. 脱敏标记（redacted）：布尔类型，标识是否已完成内容脱敏
8. google/gemma-2-2b-it_templated：字符串类型，为谷歌Gemma-2-2B-IT模板化文本
数据集划分：
训练集（train）：占用存储字节数4903447865，包含1000000条样本
数据集统计：
下载大小：2494194946字节
数据集存储总大小：4903447865字节
配置信息：
默认配置（default）：数据文件对应训练集划分，文件路径为data/train-*