文本生成SFT

以问答对为核心的标注文本数据集，包含明确的指令与标准应答内容。该类型深度适配大模型的有监督指令微调，能够满足对话生成、指令对齐以及特定行业场景定制的模型训练需求。

约束限制

从OBS导入：单个文件/压缩包大小不超过20GB；多个文件场景，文件数量不限制，总文件大小不超过20GB。
本地导入：单个文件大小不超过1GB，文件数量最多20个。
文件编码：所有jsonl格式文件必须采用UTF-8编码。

格式说明

文件格式：jsonl

格式说明：jsonl是一种结构化的轻量级文本文件格式。其核心规则为文件中的每一行都必须是一个独立、合法且完整的JSON对象。

数据集逻辑规范：为了适配不同开源社区的习惯，该数据类型支持三种主流的逻辑规范：标准格式、Alpaca格式与ShareGPT格式。

标准格式

该规范遵循业界通用的标准，采用消息序列的方式记录对话，具备极高的通用性与兼容性。

数据格式示例

为便于展示字段层级关系，已将单行JSONL数据展开。

{
  "meta": {
    "conversation_id": "conversation_123",
    "user_id": "user_456",
    "timestamp": "2026-05-29T10:00:00Z",
    "domain": "math_tutoring"
  },
  "messages": [
    {
      "role": "user",
      "content": "请帮我解方程 2x + 5 = 13"
    },
    {
      "role": "assistant",
      "content": "<think>这是一个简单的一元一次方程，我需要将常数项移到右边，然后除以系数。</think>\n好的，我们来解这个方程：2x + 5 = 13，两边减去5得2x = 8，所以x = 4。"
    },
    {
      "role": "user",
      "content": "那如果是 3(x - 2) = 9 呢？"
    },
    {
      "role": "assistant",
      "content": "<think>这次方程含有括号，先要去括号或两边同时除以3。</think>\n可以这样解：两边同时除以3得 x - 2 = 3，所以 x = 5。"
    },
    {
      "role": "user",
      "content": "谢谢，我明白了"
    },
    {
      "role": "assistant",
      "content": "不客气，有问题随时问我！"
    }
  ]
}

字段规范说明

对JSONL文件中的每一条（每行）数据：

表1 字段说明
字段	类型	是否必填	说明
messages	List	是	对话历史列表，按时间顺序包含多轮角色交互对象。
messages.role	String	是	发送消息的角色身份。仅支持：system（人设/系统提示词）、user（用户输入）、assistant（模型回复）中的一个。
messages.content	String	是	具体的对话文本内容。如果包含模型思考过程，可以使用<think>...</think>标签对进行包裹。
meta	-	否	拓展元数据字段。

Alpaca格式

该规范起源于Stanford Alpaca社区项目，将单次交互或包含历史的多轮对话拆分为明确的指令（instruction）、补充上下文（input）和标准输出（output），结构扁平，便于阅读与快速微调。

数据格式示例

为便于展示字段层级关系，已将单行JSONL数据展开。

{
  "system": "你是一名精通初等数学的AI助教",
  "instruction": "请帮我解方程 2x + 5 = 13",
  "input": "",
  "output": "<think>这是一个简单的一元一次方程，我需要将常数项移到右边，然后除以系数。</think>\n好的，我们来解这个方程：2x + 5 = 13，两边减去5得2x = 8，所以x = 4。",
  "history": [
    [
      "你好，你能帮我辅导数学吗？",
      "当然可以，请随时提出你的数学问题。"
    ]
  ]
}

字段规范说明

对于JSONL文件中的每一条（每行）数据：

表2 字段说明
字段	类型	是否必填	说明
system	String	否	系统提示词，用于显式定义模型在此次对话中扮演的角色人设。
instruction	String	是	用户发出的具体任务指令或核心问题。
input	String	是	任务所需的补充背景信息或输入上下文（若无可传入空字符串 ""）。
output	String	是	大模型针对该指令的标准期望回答。允许包含由 <think>...</think> 标签包裹的思维链推理过程。
history	List	否	历史对话记录，采用二维列表结构 [[q1, a1], [q2, a2], ...]。每个元素为长度固定为2的列表，分别代表历史轮次中的用户提问与模型回复。

ShareGPT格式

该规范广泛应用于多种开源框架，通过一个集中的对话列表（conversations）来线性复现人类与AI之间的多轮交替演进过程，结构紧凑且极易拓展。

数据格式示例

为便于展示字段层级关系，已将单行JSONL数据展开。

{
  "system_prompt": "角色名称：数学辅导专家",
  "conversations": [
    {
      "from": "human",
      "value": "请帮我解方程 2x + 5 = 13"
    },
    {
      "from": "gpt",
      "value": "<think>移项、化简、求解。</think>\n解方程得2x = 8，解得x = 4。"
    }
  ]
}

字段规范说明

对于JSONL文件中的每一条（每行）数据：

字段	类型	是否必填	说明
conversations	List	是	多轮对话内容有序列表。
conversations.from	String	是	标识当前话语的发言方。
conversations.value	String	是	当前轮次的文本对话内容。