ChatGLM3微调数据格式演进:从输入输出到Messages格式
2025-05-16 04:27:56作者:柯茵沙
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:
- 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
- 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
- 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:
- 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
- 对于多轮对话数据,按顺序组织messages数组即可
- 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。
登录后查看全文
热门项目推荐
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++045Hunyuan3D-Part
腾讯混元3D-Part00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0289Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
1 freeCodeCamp英语课程填空题提示缺失问题分析2 freeCodeCamp全栈开发课程中React实验项目的分类修正3 freeCodeCamp课程中屏幕放大器知识点优化分析4 freeCodeCamp论坛排行榜项目中的错误日志规范要求5 freeCodeCamp音乐播放器项目中的函数调用问题解析6 freeCodeCamp JavaScript高阶函数中的对象引用陷阱解析7 freeCodeCamp英语课程视频测验选项与提示不匹配问题分析8 freeCodeCamp课程视频测验中的Tab键导航问题解析9 freeCodeCamp博客页面工作坊中的断言方法优化建议10 freeCodeCamp课程页面空白问题的技术分析与解决方案
最新内容推荐
QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 Windows版Redis 5.0.14下载资源:高效内存数据库的完美Windows解决方案 PANTONE潘通AI色板库:设计师必备的色彩管理利器 CS1237半桥称重解决方案:高精度24位ADC称重模块完全指南 ReportMachine.v7.0D5-XE10:Delphi报表生成利器深度解析与实战指南 瀚高迁移工具migration-4.1.4:企业级数据库迁移的智能解决方案 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 SAP S4HANA物料管理资源全面解析:从入门到精通的完整指南 OMNeT++中文使用手册:网络仿真的终极指南与实用教程
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
165
2.05 K

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
954
563

🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
60
16

基于golang开发的网关。具有各种插件,可以自行扩展,即插即用。此外,它可以快速帮助企业管理API服务,提高API服务的稳定性和安全性。
Go
22
0

喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
17
0

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
408
387

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Python
78
71

无需学习 Kubernetes 的容器平台,在 Kubernetes 上构建、部署、组装和管理应用,无需 K8s 专业知识,全流程图形化管理
Go
14
1