UltraChat

用海量高质量多轮对话数据,训练更懂你的聊天机器人

UltraChat 是一个大规模、信息丰富且多样化的多轮对话数据集项目,旨在为大型语言模型(LLM)的训练和评估提供高质量的对话数据。它解决了当前对话数据普遍存在的信息量低、多样性不足和轮次过短的问题,通过精心设计的指令和流程,从真实用户问题出发,生成包含深入知识、多轮交互的对话样本。项目不仅公开了数据集,还提供了基于该数据训练的模型,并开源了数据生成流程的代码,帮助研究者和开发者复现和扩展。其核心能力在于数据的规模(数百万轮)、信息密度(涵盖广泛领域)和对话结构的多样性(多角色、多风格),为提升聊天机器人的知识性和对话连贯性提供了坚实基础。

开源 free 对话助手
访问官网 ↗ GitHub ↗ 文档 ↗
GitHub 星标 ★ 2899
维护状态 低维护
是否开源 是
定价模式 free

项目数据

分类对话助手
开发团队thunlp
所属国家
官网地址
定价模式free
价格说明开源项目,MIT许可证,完全免费,可自行部署使用。
访问状态
是否开源是
开源协议MIT
主要语言Python
技术栈/模型chatbot,chatgpt,deep-learning,large-language-models
GitHub 星标★ 2899
30天Star增速
HF 下载量
上线时间2023-04-03 00:00:00
最近更新2026-09-23 00:00:00
维护状态低维护
中文支持
访问方式
移动端支持
综合评分
收录时间2026-08-09
浏览次数4

使用教程

难度:入门 约 10 分钟 部署方式:模型权重 6 步

⚠ 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. 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. 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. 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. 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. 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. 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

项目介绍

UltraChat 是数据集领域的开源项目,由 thunlp 开发,2023 年首次发布。

在全站 13,014 个收录项目中,它的 GitHub 星标数(2,899)位列前 30%,在数据集分类的 279 个项目里位列前 12%。

项目已超过三个月没有代码更新,维护节奏明显放缓,最近一次代码更新于 2026-09-23。MIT许可证,完全免费,可自行部署使用。

它主要面向的使用场景是:训练和微调对话型大语言模型,提升知识性和连贯性。同类可对比的替代方案包括 OpenAssistant Conversations、ShareGPT、Alpaca。

上一篇:LLMDataHub

下一篇:weibo_terminater

同类项目推荐

X-AnyLabeling 开源

一站式AI辅助标注,图像视频文本通吃,导出格式随心配

X-AnyLabeling: A lightweight, efficient, and unified cross-platform desktop applicat···

★ 10528 2026-08-10
aisheets 开源

像用表格一样批量调 AI,不写代码就能造和改数据集

Build, enrich, and transform datasets using AI models with no code

★ 1645 2026-09-20
distilabel 开源

基于论文的合成数据流水线,快速生成高质量 AI 反馈数据。

Distilabel is a framework for synthetic data and AI feedback for engineers who need ···

★ 3398 2026-08-10
DataGen 开源

用大模型一键生成定制化训练数据,告别数据荒

[ICLR'25] DataGen: Unified Synthetic Dataset Generation via Large Language Models

★ 69 2026-08-09