WildChat-4.8M
扩展后的真实用户与 ChatGPT 对话数据，过滤了被 OpenAI Moderation 或 Detoxify 标记的对话。
- 访问方式
- 公开下载，已过滤被标记内容。
- 对话条数
- 3199860。
- 采集范围
- 截至 2025 年 7 月 31 日。
- 模型
- GPT-3.5, GPT-4, GPT-4 Turbo, GPT-4o, GPT-4.1 mini, o1-mini, o1-preview
数据使用指南
选择 WildChat 数据版本
根据研究问题选择采集范围和内容过滤方式。
公开下载使用 WildChat-4.8M；需要被审核工具标记的对话时，在 WildChat-4.8M-Full 页面提交访问申请，说明研究为何需要这些内容。申请由人工审核。
如果访问申请未收到回复，可以给 Yuntian Deng 发邮件：yuntian@uwaterloo.ca。
版本比较
WildChat-4.8M-Full
包含被标记与未被标记的对话，排除 sexual/minors 类别。其中有 122921 段 o1-mini/o1-preview 对话。
- 访问方式
- 需要申请访问。
- 对话条数
- 4743336。原有 4804190 段；移除 sexual/minors 类别后为当前条数。
- 采集范围
- 截至 2025 年 7 月 31 日；2025 年 8 月 11 日更新。
- 模型
- GPT-3.5, GPT-4, GPT-4 Turbo, GPT-4o, GPT-4.1 mini, o1-mini, o1-preview
数据条数与访问说明核对日期：2026-10-19。下载时请保存所用 revision。
原始论文与后续扩展
ICLR 2024 原始论文介绍了约一百万段与 GPT-3.5、GPT-4 的对话。2024 年 5 月 2 日的 arXiv 版本描述的扩展语料从 2023 年 4 月 9 日开始采集。4.8M 系列将时间范围延长到 2025 年 7 月 31 日，并加入更多模型。不要把原始论文中的实验样本数与后续版本的条数混用。
2025 年 8 月 11 日的版本更新说明了采集范围扩展和密钥扫描。WildChat-50M 则由 Benjamin Feuer 与 Chinmay Hegde 为 WildChat 提示添加 50 多个开放权重模型的回答；这些新增回答与原始用户对话的来源不同。
使用前要记录什么
- 数据快照：仓库名称、revision、采集范围、过滤条件和处理脚本。复现论文时对齐该研究实际使用的版本。
- 对话与轮次：
conversation_hash是内容哈希，不保证每段对话唯一；turn_identifier用于唯一标识每一轮。 - 训练与评测：处理流程排除了为 WildBench 留出的对话。构建训练集时保留这种分离。
- 许可与删除请求：阅读 ODC-BY 许可和 Full 数据集的删除请求说明。
- 引用：引用 WildChat 原始论文并注明数据版本；使用可视化工具时同时引用 WildVis。