ShareGPT-4o 是由 OpenGVLab 开源的多模态训练数据集（ShareGPT-4o-102K），收录了10 万余条由 GPT-4o 生成的多轮图文对话，是目前多模态大模型（MLLM）微调领域最受关注的开源语料之一。本文将带你快速看懂这份"宝藏数据"的价值、生产方式与核心亮点，帮你在做多模态模型训练时做出更好的数据选型。

一句话认识：ShareGPT-4o 是什么？

简单来说，ShareGPT-4o =大规模+多轮+图文混合的对话数据集：

• 📦规模大：包含约 102,843 条对话，每条都经过结构化整理
• 🔁多轮交互：不是"一问一答"的单轮样本，而是更接近真实使用场景的多轮连续对话
• 🖼️图文混合：对话中自然穿插图片输入，覆盖识图、描述、问答等多种任务形式
• 🎯面向训练：数据格式直接面向多模态模型的监督微调（SFT），拿来即用

💡 它是 MiniCPM-V 2.6 等开源多模态模型训练的核心语料来源之一，这也是它"出圈"的直接原因。

数据从哪来：GPT-4o 自指令 + 多轮对话生成

ShareGPT-4o 的生产方式借鉴了Self-Instruct（自指令）思路，大致流程如下：

1. 准备种子指令：从多个领域挑选初始指令作为"种子"
2. GPT-4o 自我博弈：让 GPT-4o 同时扮演"用户"与"助手"两个角色，围绕图片内容展开多轮追问与回答
3. 多轮滚动扩展：每一轮的问答会作为下一轮的上下文，自然延伸出更长的对话链
4. 结构化落盘：对话与图片按统一格式写入 parquet 文件，便于训练框架直接读取

这种"模型自己出题、自己答、再追问"的方式，让数据既保留了真实对话的连贯性，又保证了任务覆盖的多样性，而不像纯人工标注那样成本高、规模小。

四大核心亮点：为什么它是"宝藏数据"？

这正是它被称为"多模态训练宝藏数据"的关键：在开源社区里，能同时满足规模、质量、多轮、多任务四个条件的图文对话语料屈指可数。

数据格式与文件组织：parquet + Git LFS

数据集以parquet 列式格式组织，每条记录包含对话轮次与图片信息，可直接被 Hugging Facedatasets等生态工具加载，训练流程对接成本低。

由于图片与数据文件体积较大，仓库使用了Git LFS（大文件存储）管理，这一点可以从仓库的 .gitattributes 中直接看到——其中为*.parquet、*.safetensors、*.arrow、*.zip等数据类型配置了filter=lfs规则。

⚠️ 新手注意：普通git clone拉下来的 LFS 文件可能是"指针文件"，需要额外执行git lfs pull才能拿到真实数据。

如何获取 ShareGPT-4o 数据集？（快速上手步骤）

只需 3 步即可在本地准备好完整数据：

# 1. 克隆仓库 git clone https://gitcode.com/OpenGVLab/ShareGPT-4o.git # 2. 进入目录并启用 LFS cd ShareGPT-4o git lfs install # 3. 拉取大文件数据 git lfs pull

完成后，数据文件（parquet 等）即可通过datasets.load_dataset等方式加载，进入训练/评估流程。

谁适合使用？典型场景速览

• 🤖多模态模型微调者：直接用于 MLLM 的 SFT 阶段，快速提升视觉问答与图文理解能力
• 📚算法研究员：作为多轮对话建模、上下文学习的实验基准语料
• 🛠️AI 工程团队：参考其"种子指令 + 多轮自博弈"的生成范式，自建领域内多模态语料

总结：一份数据，三种价值

回顾全文，ShareGPT-4o 的价值可以归纳为三点：

1. 数据价值：10 万+ GPT-4o 级多轮图文对话，开源多模态语料中的"硬通货"
2. 训练价值：格式规范、开箱即用，显著降低多模态 SFT 的数据准备门槛
3. 方法价值：其自指令 + 多轮自我博弈的生成范式，为社区提供了可复用的数据生产模板

如果你正在寻找一份高质量、多轮、图文混合的多模态训练数据集，ShareGPT-4o 值得放进你的候选清单首位。