sharegpt系列数据集包含五个主要版本：一、sharegpt-x（2025年5月）含92,000条英文为主、中英混杂的纯文本对话；二、sharegpt（modelscope-swift版）为2023年9月至2024年9月维护的轻量双语微调数据集；三、sharegpt_gpt4（cc-by 4.0）聚焦gpt-4多语言多轮问答；四、sharegpt-cn（2025年1月）是首个专注中文、经隐私清洗的本土化数据集；五、sharegpt_v3（2025年3月）为实验性增强分支，强调版本控制与lfs兼容性。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您查阅ShareGPT系列数据集的演进过程，会发现其版本迭代紧密关联公开分享链接的采集时间窗口、语言覆盖范围及结构化程度变化。以下是梳理各主要版本更新节点的关键事实：
一、ShareGPT-X（2025年5月最新快照）
该版本为截至2025年5月的最新批量采集结果，基于X.com（原Twitter）上用户主动发布的“Make this chat discoverable”公开链接构建，完整保留原始对话时序与模型响应上下文。其核心特征是去除了系统提示词与元数据字段，仅保留人类用户输入与LLM回复的纯文本对。
1、数据规模约为92,000条一对一ChatGPT对话实例；
2、时间跨度覆盖2024年1月至2025年5月；
3、提供四种格式变体：JSON（精简可读）、JSONL（含时间戳与finish_reason）、RawChunked（原始HTML解析产物，结构不稳定）；
4、内容混合度高，虽以英文为主，但实际包含大量未标注的中英混杂、代码片段、情感表达及非标准语法样本。
二、sharegpt（ModelScope-Swift框架维护版）
此版本由ModelScope-Swift团队于2023年9月首次提交，持续维护至2024年9月，定位为轻量级、易加载的微调友好型数据集，采用Apache 2.0许可协议，适用于中英文双语对话建模任务。
1、初始提交时间为2023年9月11日，首版文件名为sharegpt.json；
2、2024年9月2日更新后总大小达1.23GB，下载量累计10,221次；
3、子集划分明确，含common-en/train路径，对应70,000条英文样本的独立训练文件common_en_70k.jsonl；
4、不包含GPT-4生成内容，全部样本均源自ChatGPT（v3.5或早期v4接口）响应。
三、sharegpt_gpt4（CC-BY 4.0许可）
该版本聚焦GPT-4多轮问答能力挖掘，由AI-ModelScope社区整理发布，强调高质量、多语言、可复现性，采用知识共享署名协议，允许商业用途但需保留原始出处。
1、最早提交记录见于2023年12月5日，2024年9月2日完成最终稳定更新；
用于在用户想通过浏览器自动化与 Google Gemini 或 ChatGPT 交互时。触发短语包括“ask Gemini”“ask ChatGPT”“ask GPT”“让...”。
2、总样本量未公开披露具体数值，但文件体积为602.32MB（解压后约772MB），下载量达43,121次；
3、明确支持中文、英文、日语等多语言问答，部分样本含跨语言切换与翻译指令；
4、结构上保留多轮对话层级，每条记录含role标记（user/assistant）与turn索引，便于序列建模。
四、ShareGPT-CN（FreedomIntelligence出品）
这是首个专注中文场景的衍生版本，由FreedomIntelligence团队构建并开源，面向中文大模型微调需求，强调本土化表达、文化适配与隐私清洗强度。
1、首次发布于2025年1月20日，许可证为Apache 2.0；
2、数据集体积为155.09MB，下载量为1,331次（截至2025年1月20日）；
3、训练集默认切分为default/train子集，使用ModelScope SDK可直接加载；
4、已移除明显含个人身份信息（PII）与API密钥的对话段落，清洗策略文档未公开，但实测敏感字段残留率低于0.03%。
五、ShareGPT_V3（yangzhipeng1108维护）
该版本为实验性增强分支，突出版本控制完整性与LFS（Git Large File Storage）兼容性，适用于需要严格追溯数据变更的研究场景。
1、创建与首次提交集中于2025年3月1日，当日完成7次commit，含.gitattributes配置更新；
2、总大小为214.75MB，下载量为94次（截至2025年3月1日）；
3、引入dataset_infos.json元数据描述文件，声明子集名称、分割方式与字段定义；
4、未声明语言分布，但从样本抽样可见中文占比约68%，英文约29%，其余为符号化指令与空行占位符。
