下面列出 LLaMA‑Factory（开源的 LLM 交互式微调与数据标注平台）内置支持的全部数据集及其主要特性、来源和使用方式，方便你快速挑选合适的数据来进行指令微调、RLHF、对话生成等任务。

1️⃣ LLaMA‑Factory 官方提供的“指令/对话”数据集（已在 datasets 中注册）

说明

1. 表中 规模 为公开可用版本的条目数量，实际使用时常常在 train/validation 划分后会更少。
2. 大多数数据集已经在 datasets（🤗 Hub）中注册，LLaMA‑Factory 会在运行 llamafactory train 时自动下载并转化为统一的 instruction format（{'instruction':..., 'input':..., 'output':...}）。
3. 对于 多语言、代码、医学 等专用领域，建议单独组合对应子集（如 flan_collection + code_alpaca_gpt4）进行 混合微调，可以显著提升专业化能力。

2️⃣ 如何在 LLaMA‑Factory 中使用这些数据集

2.1 基础命令（指令微调示例）

# 以 alpaca_gpt4 为例
CUDA_VISIBLE_DEVICES=0 llamafactory train \
  --model_name_or_path /path/to/llama-7b \
  --dataset alpaca_gpt4 \
  --output_dir ./output/llama-7b-alpaca-gpt4 \
  --do_train True \
  --do_eval True \
  --per_device_train_batch_size 4 \
  --per_device_eval_batch_size 4 \
  --learning_rate 2e-5 \
  --num_train_epochs 3 \
  --fp16 True

2.2 多数据集混合（推荐做法）

# 使用 alpaca_gpt4 + code_alpaca_gpt4 + sharegpt 三个子集
CUDA_VISIBLE_DEVICES=0,1 llamafactory train \
  --model_name_or_path /path/to/llama-13b \
  --datasets alpaca_gpt4,code_alpaca_gpt4,sharegpt \
  --dataset_ratios 0.4,0.3,0.3   # 按比例抽样（可省略，默认均匀抽样） \
  --output_dir ./output/llama-13b-mixed \
  --do_train True \
  --fp16 True \
  --gradient_accumulation_steps 4 \
  --per_device_train_batch_size 2 \
  --learning_rate 1e-5 \
  --num_train_epochs 5

• --datasets 接受 逗号分隔的多个数据集名称。
• --dataset_ratios（可选）控制抽样权重，帮助在 大数据集（如 OASST1）和 小数据集（如 medical_meadow）之间平衡。

2.3 使用自定义本地数据

如果你有自己的 JSON/JSONL 或 CSV 格式数据，只要满足 {'instruction':..., 'input':..., 'output':...} 结构，就可以通过 --dataset local 并提供路径：

CUDA_VISIBLE_DEVICES=0 llamafactory train \
  --model_name_or_path /path/to/llama-7b \
  --dataset local \
  --dataset_path ./my_dataset.jsonl \
  --output_dir ./output/custom \
  --do_train True

需要注意：文件必须是 UTF‑8 编码，每行必须是合法 JSON 对象。

3️⃣ 关键考量：挑选合适的训练数据

4️⃣ 小技巧 & 常见坑

5️⃣ 参考资源（官方/社区）

🎯 快速上手小结

1. 选定目标（对话、指令、代码、RLHF…）
2. 挑选相应数据集（参考上表的推荐组合）
3. 在 config.yaml 或命令行里声明 --datasets（或 --dataset 单个）
4. 确保混合精度/LoRA/DeepSpeed 兼容（尤其在 V100 等显卡上）
5. 跑训练 + 评估，后续可用 llamafactory evaluate 或 llamafactory inference 检查效果。

按以上步骤，你就能在 LLaMA‑Factory 中轻松加载并微调所需的数据集。如果还有关于特定数据集的细节（如许可、过滤策略）或训练参数的疑问，随时再来问我！祝你实验顺利 🚀

注：以上内容为AI生成，所以需要用户自己再实践检验一下。