
UltraChat
用海量高质量多轮对话数据,训练更懂你的聊天机器人
项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化,观测越久曲线越完整
数据来源:GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 2916
使用教程
⚠ 本教程由 AI 依据该项目 README 整理;原始文档不完整,部分步骤为通用流程推断,实际安装请以项目官方文档为准。
⚠ 该项目 README 未提供完整安装说明,以下步骤为通用流程,请以官方文档为准。
环境要求
- 可访问 GitHub 与 Hugging Face 的网络环境(模型权重托管在 Hugging Face)
- 已安装 Git,用于克隆项目仓库
- 具备 Python 环境(项目开发语言为 Python)
- 运行 UltraLM-13B/65B、UltraRM、UltraCM 等模型需相应算力资源(README 未给出具体配置要求)
安装与启动步骤
-
1克隆项目仓库
从 GitHub 获取 UltraChat 仓库源码,README 本身未给出安装命令,此步仅拉取代码以便查看数据与构建流程。
git clone https://github.com/thunlp/UltraChat.git -
2查看数据发布说明
进入仓库后阅读 README 的 Data Release(#data)章节,了解已公开数据的规模、字段与获取方式。
cd UltraChat -
3在线浏览对话数据
打开 README 给出的 Data Explorer 地址,在网页中直接查看多轮对话样本内容。
-
4查看数据可视化地图
通过 Nomic AI Atlas Explorer 链接,可视化浏览数据集的分布与多样性。
-
5获取模型权重
在 Hugging Face 上访问 openbmb/UltraLM-13b-v2.0、openbmb/UltraRM-13b、openbmb/UltraCM-13b 模型页面并按页面说明下载。
-
6了解构建流程
阅读 README 的 Construction Process 章节与论文(arXiv:2305.14233),理解对话数据的生成流程以便复现扩展。
如何确认成功
README 未提供启动或验证命令;可确认仓库克隆成功、Data Explorer 页面能正常打开并看到对话数据。
常见问题
Q:UltraChat 提供哪些模型?
A:README 提到 UltraLM-13B-v2.0、UltraLM-13B、UltraLM-65B,以及奖励模型 UltraRM-13b 和评论模型 UltraCM-13b。
Q:模型权重在哪里下载?
A:在 Hugging Face 的 openbmb 组织页面获取,例如 openbmb/UltraLM-13b-v2.0、openbmb/UltraRM-13b、openbmb/UltraCM-13b。
Q:数据可以不下载直接看吗?
A:可以,README 提供了 Data Explorer(http://39.101.77.220/)和 Nomic AI Atlas Explorer 两种在线浏览方式。
Q:有对应的技术论文吗?
A:有,论文地址为 https://arxiv.org/abs/2305.14233,可了解数据构建与模型训练细节。
Q:本地怎么安装和运行?
A:README 节选中未给出安装与运行命令,需自行进入仓库查看 Data Release 与 Construction Process 等章节的说明。
注意事项
- README 节选中没有提供完整的安装/运行命令,本教程步骤仅为获取代码、数据与模型的准备动作。
- 模型权重托管在 Hugging Face,下载前请确认网络可访问且磁盘空间充足。
- 13B 及以上规模模型的推理需要相应算力,README 未给出具体显存要求。
核心亮点
- 数据集规模大,包含数百万轮对话,覆盖广泛主题,信息密度高
- 对话轮次多且结构多样,模拟真实场景,有助于提升模型多轮交互能力
- 开源数据生成流程,可复现并定制,便于社区扩展和适配特定需求
不足之处
- 数据生成依赖GPT-4等模型,可能存在偏见或错误,需人工筛选
- 文档和社区支持相对有限,上手和定制需要一定技术门槛
适用场景
- 训练和微调对话型大语言模型,提升知识性和连贯性
- 构建特定领域的问答或客服机器人,利用高质量对话数据增强效果
- 学术研究,分析多轮对话结构,或作为基准测试模型性能
替代项目
OpenAssistant Conversations、ShareGPT、Alpaca
上一篇:LLMDataHub
下一篇:weibo_terminater
同类项目推荐
gpic
开源
构建合规高质量图像语料,助力视觉生成模型训练
Official Code for GPIC: A Giant Permissive Image Corpus for Visual Generation
DataProfiler
开源
快速摸清数据底细,自动识别敏感信息
What's in your data? Extract schema, statistics and entities from datasets
sexting-dataset
开源
抓取公开色情对话,为聊天机器人提供训练数据。
Erotic conversations scraped from public resources on the internet
RSIBench-Data
开源
一键生成代码评测数据并在沙箱里跑分
Synthetic data generation, post-training, and E2B benchmark evaluation infrastructur···
mimesis
开源
生成逼真多语言假数据,测试开发快人一步
Mimesis is a Python library for generating fake but realistic data in multiple langu···
Datasets-and-benchmark-code
开源
集中查数据集与基准代码,复现评测更省事
Awesome_Matching_Pretraining_Tra···
开源
一页看尽多模态大模型论文,快速入门不迷路
The Paper List of Large Multi-Modality Model (Perception, Generation, Unification), ···
awesome-data-centric-ai
开源
一站式收藏数据为中心AI的资源清单,快速找到提升数据质量的工具和方法。
Open-Source Software, Tutorials, and Research on Data-Centric AI
SDV
开源
把真实表格数据变成安全逼真的假数据,随便用不泄露隐私
Synthetic data generation for tabular data