LMSYS-Chat-1M: Ein groß angelegter Echtwelt-Datensatz für LLM-Konversationen

LMSYS-Chat-1M: A Large-Scale Real-World LLM Conversation Dataset

September 21, 2023

Autoren: Lianmin Zheng, Wei-Lin Chiang, Ying Sheng, Tianle Li, Siyuan Zhuang, Zhanghao Wu, Yonghao Zhuang, Zhuohan Li, Zi Lin, Eric. P Xing, Joseph E. Gonzalez, Ion Stoica, Hao Zhang

cs.AI

Zusammenfassung

Die Untersuchung, wie Menschen in realen Szenarien mit großen Sprachmodellen (LLMs) interagieren, wird aufgrund ihrer weit verbreiteten Nutzung in verschiedenen Anwendungen zunehmend wichtiger. In diesem Artikel stellen wir LMSYS-Chat-1M vor, einen umfangreichen Datensatz, der eine Million reale Konversationen mit 25 state-of-the-art LLMs enthält. Dieser Datensatz wurde von 210.000 eindeutigen IP-Adressen in freier Wildbahn auf unserer Vicuna-Demo und der Chatbot Arena-Website gesammelt. Wir geben einen Überblick über den Inhalt des Datensatzes, einschließlich des Kuratierungsprozesses, grundlegender Statistiken und der Themenverteilung, und heben dabei seine Vielfalt, Originalität und Größe hervor. Wir demonstrieren seine Vielseitigkeit anhand von vier Anwendungsfällen: der Entwicklung von Inhaltsmoderationsmodellen, die ähnlich wie GPT-4 abschneiden, der Erstellung eines Sicherheitsbenchmarks, dem Training von befehlsfolgenden Modellen, die ähnlich wie Vicuna performen, und der Erstellung herausfordernder Benchmark-Fragen. Wir glauben, dass dieser Datensatz eine wertvolle Ressource für das Verständnis und die Weiterentwicklung der Fähigkeiten von LLMs darstellen wird. Der Datensatz ist öffentlich verfügbar unter https://huggingface.co/datasets/lmsys/lmsys-chat-1m.

English

Studying how people interact with large language models (LLMs) in real-world scenarios is increasingly important due to their widespread use in various applications. In this paper, we introduce LMSYS-Chat-1M, a large-scale dataset containing one million real-world conversations with 25 state-of-the-art LLMs. This dataset is collected from 210K unique IP addresses in the wild on our Vicuna demo and Chatbot Arena website. We offer an overview of the dataset's content, including its curation process, basic statistics, and topic distribution, highlighting its diversity, originality, and scale. We demonstrate its versatility through four use cases: developing content moderation models that perform similarly to GPT-4, building a safety benchmark, training instruction-following models that perform similarly to Vicuna, and creating challenging benchmark questions. We believe that this dataset will serve as a valuable resource for understanding and advancing LLM capabilities. The dataset is publicly available at https://huggingface.co/datasets/lmsys/lmsys-chat-1m.