WildChat: 1 миллион журналов взаимодействия с ChatGPT в дикой природе

WildChat: 1M ChatGPT Interaction Logs in the Wild

May 2, 2024

Авторы: Wenting Zhao, Xiang Ren, Jack Hessel, Claire Cardie, Yejin Choi, Yuntian Deng

cs.AI

Аннотация

Чатботы, такие как GPT-4 и ChatGPT, сейчас обслуживают миллионы пользователей. Несмотря на их широкое использование, остается недостаток общедоступных наборов данных, демонстрирующих, как эти инструменты используются пользовательской аудиторией на практике. Для заполнения этой пробела мы предложили бесплатный доступ к ChatGPT для онлайн-пользователей в обмен на их согласие на анонимное сбор чат-транскриптов и заголовков запросов. На основе этого мы составили WildChat, корпус из 1 миллиона диалогов пользователь-ChatGPT, включающий более 2,5 миллионов обменов сообщениями. Мы сравнили WildChat с другими популярными наборами данных по взаимодействию пользователь-чатбот и обнаружили, что наш набор данных предлагает самые разнообразные пользовательские запросы, содержит наибольшее количество языков и представляет наиболее богатое разнообразие потенциально токсичных случаев использования для исследования. В дополнение к таймстампам чат-транскриптов, мы обогатили набор данных демографическими данными, включая штат, страну и хешированные IP-адреса, наряду с заголовками запросов. Это дополнение позволяет более детально анализировать поведение пользователей в различных географических регионах и временных измерениях. Наконец, поскольку набор данных охватывает широкий спектр случаев использования, мы демонстрируем потенциальную полезность набора данных для настройки моделей, следующих за инструкциями. WildChat доступен по ссылке https://wildchat.allen.ai под лицензией AI2 ImpACT.

English

Chatbots such as GPT-4 and ChatGPT are now serving millions of users. Despite their widespread use, there remains a lack of public datasets showcasing how these tools are used by a population of users in practice. To bridge this gap, we offered free access to ChatGPT for online users in exchange for their affirmative, consensual opt-in to anonymously collect their chat transcripts and request headers. From this, we compiled WildChat, a corpus of 1 million user-ChatGPT conversations, which consists of over 2.5 million interaction turns. We compare WildChat with other popular user-chatbot interaction datasets, and find that our dataset offers the most diverse user prompts, contains the largest number of languages, and presents the richest variety of potentially toxic use-cases for researchers to study. In addition to timestamped chat transcripts, we enrich the dataset with demographic data, including state, country, and hashed IP addresses, alongside request headers. This augmentation allows for more detailed analysis of user behaviors across different geographical regions and temporal dimensions. Finally, because it captures a broad range of use cases, we demonstrate the dataset's potential utility in fine-tuning instruction-following models. WildChat is released at https://wildchat.allen.ai under AI2 ImpACT Licenses.