💬聊天模板

学习聊天模板的基础和自定义选项，包括对话式、ChatML、ShareGPT、Alpaca 格式等！

在我们的 GitHub 中，我们列出了 Unsloth 使用的每个聊天模板，包括 Llama、Mistral、Phi-4 等。因此，如果你需要关于格式或用例的任何提示，可以在此查看： github.com/unslothai/unsloth/blob/main/unsloth/chat_templates.py

Colab 聊天模板笔记本列表：

• 对话式

• ChatML

• Ollama

• 文本分类 作者：Timotheeee

• 多个数据集 作者：Flail

添加新标记

Unsloth 有一个名为 add_new_tokens 的函数，允许你向微调中添加新标记。例如，如果你想添加 <CHARACTER_1>, <THINKING> 和 <SCRATCH_PAD> 我们可以做如下操作：

model, tokenizer = FastLanguageModel.from_pretrained(...)
from unsloth import add_new_tokens
add_new_tokens(model, tokenizer, new_tokens = ["<CHARACTER_1>", "<THINKING>", "<SCRATCH_PAD>"])
model = FastLanguageModel.get_peft_model(...)

注意 - 你必须始终在 add_new_tokens 之前调用 FastLanguageModel.get_peft_model!

多轮对话

一个你可能没注意到的问题是 Alpaca 数据集是单轮的，而使用 ChatGPT 时是交互式的，可以进行多轮对话。例如，左侧是我们想要的，但右侧（即 Alpaca 数据集）只提供单次对话。我们希望微调后的语言模型能以某种方式学会像 ChatGPT 一样进行多轮对话。

因此我们引入了 conversation_extension 参数，该参数本质上会在你的单轮数据集中选择一些随机行，并将它们合并成一个对话！例如，如果你将其设置为 3，我们会随机选择 3 行并合并为 1 条！设置得太长会使训练变慢，但可能会让你的聊天机器人和最终微调效果更好！

然后设置 output_column_name 为预测/输出列。对于 Alpaca 数据集，它将是输出列。

然后我们使用 standardize_sharegpt 函数将数据集规范为适合微调的正确格式！务必调用此函数！

可自定义的聊天模板

我们现在可以为微调本身指定聊天模板。非常著名的 Alpaca 格式如下：

但请记住我们说过这是个糟糕的主意，因为 ChatGPT 风格的微调只需要 1 个提示？由于我们已通过 Unsloth 成功将所有数据列合并为 1 列，因此我们基本上可以创建下面这种样式的聊天模板，使用 1 个输入列（instruction）和 1 个输出：

我们只要求你必须放置一个 {INPUT} 字段作为指令，以及一个 {OUTPUT} 字段作为模型的输出字段。我们实际上还允许可选的 {SYSTEM} 字段，这在自定义系统提示（就像在 ChatGPT 中）时很有用。例如，下面是一些很酷的示例，你可以自定义聊天模板为：

对于在 OpenAI 模型中使用的 ChatML 格式：

或者你可以使用 Llama-3 本身的模板（仅在使用 Llama-3 的 instruct 版本时有效）：我们实际上还允许一个可选的 {SYSTEM} 字段，这在自定义系统提示（就像在 ChatGPT 中）时很有用。

或者在 Titanic 预测任务中，你需要预测某个乘客在这个包含 CSV 和 Excel 上传的 Colab 笔记本中是死亡还是幸存： https://colab.research.google.com/drive/1VYkncZMfGFkeCEgN2IzbZIKEDkyQuJAS?usp=sharing

在 Unsloth 中应用聊天模板

对于通常遵循通用 chatml 格式的数据集，将数据集准备用于训练或微调的过程包括四个简单步骤：

• 检查 Unsloth 当前支持的聊天模板：\

  from unsloth.chat_templates import CHAT_TEMPLATES
  print(list(CHAT_TEMPLATES.keys()))

  这将打印出 Unsloth 当前支持的模板列表。以下是示例输出：\

  ['unsloth', 'zephyr', 'chatml', 'mistral', 'llama', 'vicuna', 'vicuna_old', 'vicuna old', 'alpaca', 'gemma', 'gemma_chatml', 'gemma2', 'gemma2_chatml', 'llama-3', 'llama3', 'phi-3', 'phi-35', 'phi-3.5', 'llama-3.1', 'llama-31', 'llama-3.2', 'llama-3.3', 'llama-32', 'llama-33', 'qwen-2.5', 'qwen-25', 'qwen25', 'qwen2.5', 'phi-4', 'gemma-3', 'gemma3']

  \

• 使用 get_chat_template 将合适的聊天模板应用到你的分词器：\

  from unsloth.chat_templates import get_chat_template
  
  tokenizer = get_chat_template(
      tokenizer,
      chat_template = "gemma-3", # 将此更改为正确的 chat_template 名称
  )

  \

• 定义你的格式化函数。示例如下：\

  def formatting_prompts_func(examples):
     convos = examples["conversations"]
     texts = [tokenizer.apply_chat_template(convo, tokenize = False, add_generation_prompt = False) for convo in convos]
     return { "text" : texts, }

  该函数遍历你的数据集，将你定义的聊天模板应用于每个样本。\

• 最后，让我们加载数据集并对其应用所需的修改： \

  # 导入并加载数据集
  from datasets import load_dataset
  dataset = load_dataset("repo_name/dataset_name", split = "train")
  
  # 使用 map 方法将格式化函数应用到你的数据集
  dataset = dataset.map(formatting_prompts_func, batched = True,)

  如果你的数据集使用 ShareGPT 格式的 "from"/"value" 键而不是 ChatML 的 "role"/"content" 格式，你可以先使用 standardize_sharegpt 函数将其转换。修改后的代码如下所示： \

  # 导入数据集
  from datasets import load_dataset
  dataset = load_dataset("mlabonne/FineTome-100k", split = "train")
  
  # 如有必要，将数据集转换为 "role"/"content" 格式
  from unsloth.chat_templates import standardize_sharegpt
  dataset = standardize_sharegpt(dataset)
  
  # 使用 map 方法将格式化函数应用到你的数据集
  dataset = dataset.map(formatting_prompts_func, batched = True,)

更多信息

假设你的数据集是下面这种字典列表的列表：

[
    [{'from': 'human', 'value': 'Hi there!'},
     {'from': 'gpt', 'value': 'Hi how can I help?'},
     {'from': 'human', 'value': 'What is 2+2?'}],
    [{'from': 'human', 'value': 'What's your name?'},
     {'from': 'gpt', 'value': 'I'm Daniel!'},
     {'from': 'human', 'value': 'Ok! Nice!'},
     {'from': 'gpt', 'value': 'What can I do for you?'},
     {'from': 'human', 'value': 'Oh nothing :)'},],
]

你可以使用我们的 get_chat_template 来进行格式化。选择 chat_template 为以下任意一种 zephyr, chatml, mistral, llama, alpaca, vicuna, vicuna_old, unsloth，并使用 mapping 来映射字典值 从, value 等等。 map_eos_token 允许你将 <|im_end|> 映射为 EOS，而无需任何训练。

from unsloth.chat_templates import get_chat_template

tokenizer = get_chat_template(
    tokenizer,
    chat_template = "chatml", # 支持 zephyr, chatml, mistral, llama, alpaca, vicuna, vicuna_old, unsloth
    mapping = {"role" : "from", "content" : "value", "user" : "human", "assistant" : "gpt"}, # ShareGPT 风格
    map_eos_token = True, # 将 <|im_end|> 映射为 </s>
)

def formatting_prompts_func(examples):
    convos = examples["conversations"]
    texts = [tokenizer.apply_chat_template(convo, tokenize = False, add_generation_prompt = False) for convo in convos]
    return { "text" : texts, }
pass

from datasets import load_dataset
dataset = load_dataset("philschmid/guanaco-sharegpt-style", split = "train")
dataset = dataset.map(formatting_prompts_func, batched = True,)

你也可以制作自己的自定义聊天模板！例如我们内部使用的聊天模板如下。你必须传入一个 tuple 由 (custom_template, eos_token) 组成，其中 eos_token 必须在模板内部使用。

unsloth_template = \
    "{{ bos_token }}"\
    "{{ 'You are a helpful assistant to the user\n' }}"\
    "</div>"\
    "<div data-gb-custom-block data-tag=\"for\">"\
        "<div data-gb-custom-block data-tag=\"if\" data-0='role' data-1='role' data-2='] == ' data-3='user'>"\
            "{{ '>>> User: ' + message['content'] + '\n' }}"\
        "<div data-gb-custom-block data-tag=\"elif\" data-0='role' data-1='role' data-2='] == ' data-3='assistant'></div>"\
            "{{ '>>> Assistant: ' + message['content'] + eos_token + '\n' }}"\
        "</div>"\
    "</div>"\
    "<div data-gb-custom-block data-tag=\"if\">"\
        "{{ '>>> Assistant: ' }}"\
    "</div>"
unsloth_eos_token = "eos_token"

tokenizer = get_chat_template(
    tokenizer,
    chat_template = (unsloth_template, unsloth_eos_token,), # 你必须提供模板和 EOS 标记
    mapping = {"role" : "from", "content" : "value", "user" : "human", "assistant" : "gpt"}, # ShareGPT 风格
    map_eos_token = True, # 将 <|im_end|> 映射为 </s>
)