xfalcon9/Feng-Chat
简体中文 | English Feng-Chat “解答世间万物” Feng-Chat 是一批中文 conversational SFT 数据。单轮问答好做，多轮里的追问、接话、拐弯和突然补一句，才是这批数据真正想留下来的东西。QA 抽取后依次做去重、assistant-only PPL、message-level Guard 和主题分类，最后发布为标准 messages。 整个 pipeline 只负责筛选，不改写峰哥的表达。公开 release 仅保留训练和分析需要的字段，不包含内部 prompt、reasoning、raw response、本地路径或原始来源 ID。 数据概览 指标 最终结果 发布记录 33,468 QA 轮次 40,645 多轮记录 3,952（11.81%） 单条最多轮次 30 伪名化来源分组 729 内容日期范围 2022-01-02 ～ 2026-08-20 assistant loss tokens 4,806,476… See the full description on the dataset page: https://huggingface.co/datasets/xfalcon9/Feng-Chat.
简体中文 | English
Feng-Chat
“解答世间万物”
Feng-Chat 是一批中文 conversational SFT 数据。单轮问答好做，多轮里的追问、接话、拐弯和突然补一句，才是这批数据真正想留下来的东西。QA 抽取后依次做去重、assistant-only PPL、message-level Guard 和主题分类，最后发布为标准 messages。
整个 pipeline 只负责筛选，不改写峰哥的表达。公开 release 仅保留训练和分析需要的字段，不包含内部 prompt、reasoning、raw response、本地路径或原始来源 ID。
数据概览
数据只有 train split。自行划分训练集和评测集时，请按 source_group_id 分组，避免同一来源的相近内容同时进入两边。
处理流程
44,757 条 PPL-kept records 进入 Guard，最终发布 33,468 条，release rate 为 74.78%。其余 11,289 条未进入公开 split，但不能全部视为 Unsafe。
QA 抽取统计：23,671 条 filtered、150 条 incomplete、56 条 failed。741 个输入流中没有 failed stream 或 gap record。这些记录不进入训练数据。
数据结构
每条 Parquet record 包含：
字段选择
ppl_token用于本次 release 过滤，也可用于长度和 data selection 分析，因此保留。- Qwen3Guard 输出
Safe / Controversial / Unsafe类别，不是连续分数。公开数据全部为Safe，因此不保留常量列；模型和 scope 见“指标定义”。 assistant_refusal_count不是常量：3,526 条记录包含 refusal，共 3,682 个 refusal turns，因此保留。- IFD 仅用于分析，没有参与最终过滤。人工抽查发现
IFD_token <= 1会移除部分完整回答，因此不作为公开字段。 - PPL 分段明细、
ppl_sample、Guard raw output、内部 prompt、reasoning、raw response、本地路径、原始来源标识与处理索引全部不公开。
数据分析
下面分别展示主题、token、PPL / IFD 和长度效应。
1. 主题分布
33,468 条 final records 中，互联网平台、主播与网络文化 占 23.70%，情感、人际、家庭与心理 占 13.85%，日常生活与个人经历 占 12.66%；Top 3 合计 50.21%。21 个主主题均有覆盖，98.24% 的分类为 high confidence，6.87% 的记录带次主题。
主播与网络文化相关内容占比最高。
2. Token 分布
Guard 后 33,468 条记录共有 4,806,476 个 assistant loss tokens。中位数 114，p90 / p95 / p99 分别为 299 / 375 / 551，最大值 1,957。最长的 10% 记录包含 28.60% token，最长 5% 包含 17.04%。
3. PPL 与 IFD
这张图使用去重后的 45,671 条候选数据，只对 assistant loss tokens 计算。尾部为显示效果做 winsorization，过滤仍使用未裁剪的 token-based 分数。IFD 仅用于分析，不参与最终过滤。
4. 长度效应
在同一批 45,671 条 pre-Guard 数据上，PPL 与 IFD 都随 assistant token 长度呈现明显变化。这里仅报告相关关系。按单一分数过滤也会改变长度分布。
数据对比
三个项目的处理目标不同，下面只比较公开 schema、数据规模和是否保留多轮表达。
指标定义
PPL 与 IFD 均只在 assistant 内容及其结束 token 上计算 loss；user 内容和 assistant role prefix 不计 loss。长样本分段后，每个 assistant loss token 只计一次。
- PPL scorer：
Qwen/Qwen3-4B-Base。 - PPL filter：token aggregation，区间
[23.81926792, 1361.631086]，即去重分布的 p01–p99。 - IFD：
conditional assistant NLL / direct-answer assistant NLL；仅用于内部分析。 - Guard：
Qwen/Qwen3Guard-Gen-4B，scope 为assistant_response with conversation prefix。 - Topic：
Qwen3.5-9B。
Guard 会读取当前回答之前的对话，但判定对象是 assistant response。该结果不代表 user message 不含 PII，也不代表数据绝对安全。
使用方法
from datasets import load_dataset
dataset = load_dataset("xfalcon9/Feng-Chat", split="train")
sample = dataset[0]
for message in sample["messages"]:
print(message["role"], message["content"])使用范围
适合：
- 峰哥原始语气、用词与多轮互动节奏的 SFT / style modeling；
- 中文口语化 conversational SFT；
- PPL、长度、主题与 refusal-aware data selection；
- 不同参数规模模型的同数据版本对照实验。
不适合：
- 当事实百科、权威引文或医疗/法律/投资建议库；
- 冒充真实人物，或宣称模型输出代表本人当前观点；
- 不做额外安全评估就直接面向公众部署；
- 用 record-level random split 做容易来源泄漏的评测。
使用声明
本数据集仅用于学术研究、AI 数据处理、模型训练与评测。项目与峰哥本人无任何官方关联；数据中的观点不代表本人当前观点，也不代表项目维护者立场。数据和模型输出不得冒充本人发言、作为真实引文或用于违法及侵害他人权益的活动。
数据按“现状”提供，不保证准确性、完整性、安全性或适用于任何特定目的。使用者应自行遵守适用法律、平台规则及第三方权利，并独立承担因使用、训练、发布或部署产生的全部责任；在适用法律允许的最大范围内，项目维护者不对由此产生的任何直接或间接损失、争议或责任负责。
如相关权利人认为内容不应收录，请通过本仓库 Community 联系并提供具体 record id；核实后将及时更正或删除。
发布文件
Release 包含：
data/train-*.parquet；- 本 Dataset Card 的中英版本、流程图与四张统计图。
Citation
@misc{fengchat2026,
title = {Feng-Chat: Chinese Multi-turn Conversations in Feng-ge's Original Voice},
author = {xfalcon9},
year = {2026},
howpublished = {Hugging Face dataset},
url = {https://huggingface.co/datasets/xfalcon9/Feng-Chat}
}Feng-Chat 想学的是峰哥怎么说，不负责证明峰哥永远说得对。语气可以 train，世间万物标准答案目前还没有公开 checkpoint。