ChatGLM3微调数据格式演进：从输入输出到Messages格式

背景介绍

ChatGLM3作为清华大学知识工程组(KEG)推出的开源大语言模型，其微调功能一直备受开发者关注。近期项目更新中，微调示例的数据格式发生了重要变化，从传统的"输入-输出"格式转变为更贴近实际对话场景的"messages"格式。

格式演变历程

在早期版本中，ChatGLM3的微调示例采用了明确的输入输出格式分离方式。开发者需要准备类似如下的数据结构：

{
  "input": "问题文本",
  "output": "回答文本"
}

这种格式对于基础模型(Base Model)的微调非常直观，能够清晰地划分模型需要处理的输入和期望的输出。项目早期甚至提供了专门的脚本工具，帮助开发者将常见数据集(如广告数据集)转换为这种标准格式。

新版Messages格式

最新版本的ChatGLM3微调示例采用了更贴近实际对话场景的messages格式：

{
  "messages": [
    {"role": "user", "content": "问题文本"},
    {"role": "assistant", "content": "回答文本"}
  ]
}

这种格式的变化主要基于以下几个技术考量：

1. 对话场景适配性：真实对话往往是多轮交互，messages格式能更好地保留对话的上下文信息
2. 模型统一性：不再区分基础模型和对话模型，统一使用相同的微调数据格式
3. 业界标准兼容：与主流对话数据集格式保持一致，降低数据转换成本

技术优势分析

从技术实现角度看，新的messages格式带来了多项优势：

• 上下文感知：role字段明确区分用户输入和模型响应，便于模型理解对话流程
• 扩展性强：天然支持多轮对话数据的组织，每条消息都带有明确的角色标识
• 迁移成本低：与HuggingFace等平台的数据格式标准对齐，便于复用现有数据集

实践建议

对于从旧版本迁移的开发者，建议：

1. 如果微调基础模型，可以将传统输入视为user消息，输出视为assistant消息
2. 对于多轮对话数据，按顺序组织messages数组即可
3. 注意role字段的规范性，通常使用"system"、"user"、"assistant"三种角色

总结

ChatGLM3微调数据格式的演进反映了大型语言模型应用的发展趋势：从简单的问答对向复杂的对话场景迁移。这种变化不仅提升了模型的实用性，也降低了开发者整合行业标准数据的门槛。理解这一格式变化背后的设计理念，将帮助开发者更高效地利用ChatGLM3进行各种场景的微调工作。