LMSYS-Chat-1M: Um Grande Conjunto de Dados de Conversas do Mundo Real com LLM

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

September 21, 2023

Autores: 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

Resumo

Estudar como as pessoas interagem com modelos de linguagem de grande escala (LLMs) em cenários do mundo real é cada vez mais importante devido ao seu uso generalizado em diversas aplicações. Neste artigo, apresentamos o LMSYS-Chat-1M, um conjunto de dados em larga escala que contém um milhão de conversas do mundo real com 25 LLMs de última geração. Esse conjunto de dados foi coletado de 210 mil endereços IP únicos em nosso site de demonstração Vicuna e na plataforma Chatbot Arena. Oferecemos uma visão geral do conteúdo do conjunto de dados, incluindo seu processo de curadoria, estatísticas básicas e distribuição de tópicos, destacando sua diversidade, originalidade e escala. Demonstramos sua versatilidade por meio de quatro casos de uso: desenvolvimento de modelos de moderação de conteúdo que apresentam desempenho semelhante ao GPT-4, criação de um benchmark de segurança, treinamento de modelos que seguem instruções com desempenho semelhante ao Vicuna e elaboração de perguntas desafiadoras para benchmarks. Acreditamos que esse conjunto de dados servirá como um recurso valioso para compreender e avançar as capacidades dos LLMs. O conjunto de dados está disponível publicamente em 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.