一句话定义：ShareGPT 格式（ShareGPT format）是一种用 JSON 描述多轮对话训练数据的写法：一段对话由若干条带角色标记的消息按顺序组成，人类的提问和模型的回答交替排列，微调时模型能一次看到整段上下文。
名字来自早期社区分享 ChatGPT 对话记录的数据集，那套 {"conversations": [...]} 的结构后来被各家微调框架沿用，逐渐成了事实标准。字段名在不同工具里有细微差别，常见的是 from/value（取值 human、gpt、system），也有写成 role/content（user、assistant、system）的，具体以所用框架的文档为准。
一个最小例子长这样：
```json
{"conversations": [
{"from": "human", "value": "帮我改得正式一点：这事儿下周弄不完"},
{"from": "gpt", "value": "该项目预计无法在下周内完成。"},
{"from": "human", "value": "再短一点"}
]}
```
注意最后一轮只有 human，没有 gpt。这类样本在训练时通常会被过滤掉或只用于推理测试，因为没给模型“标准答案”。
打个比方：Alpaca 格式像一叠单题卡片，一张卡上写着“指令、可选输入、期望输出”，一题一练；ShareGPT 像把整段微信聊天记录导出来，谁先说话、对方怎么接、第三句为什么这么问，全都保留。前者适合练“看到任务就照做”，后者适合练“接着上文聊下去”。
两者的核心差异：
| 维度 | ShareGPT 格式 | Alpaca 格式 |
|---|---|---|
| 数据结构 | conversations 数组，多条消息 | instruction / input / output 三个字段 |
| 轮次 | 原生多轮，上下文完整 | 单轮，一问一答 |
| 角色概念 | 有（human/gpt/system） | 无，只有“指令”和“回答” |
| 多轮场景的代价 | 直接可用 | 拆成多条样本，上下文丢失或需手工拼接 |
| 典型用途 | 对话助手、客服、陪伴类应用的多轮微调 | 单轮任务：摘要、抽取、改写、分类 |
选哪个，看真实使用场景的形状。如果你的产品是聊天式的，用户会追问、纠正、换话题，那训练数据就该长成对话的样子，ShareGPT 更贴近线上分布；如果需求是“给一段文本，输出一个结果”，Alpaca 更省事——字段少、清洗简单、标注成本低，一个人一天能攒不少条。
实践中还有两个细节：一是多轮样本训练时可以选择只对最后一条 gpt 回复算损失，前面的回答当作上下文，这能避免模型把历史回复也当成要模仿的目标；二是两种格式可以混用，很多团队会用大量 Alpaca 式单轮数据打底，再掺入少量高质量 ShareGPT 多轮数据调对话风格。转换脚本各框架基本都有，但字段映射、system 消息处理、空回复过滤这些细节，仍要以官方页面和实际跑通的结果为准。