Ultra-FineWeb: Efficient Data Filtering and Verification for High-Quality LLM Training Data

在这里插入图片描述

一、文章主要内容总结

本文聚焦于大规模语言模型(LLMs)训练中数据质量提升问题,提出了Ultra-FineWeb高效数据过滤管道,旨在解决传统模型驱动过滤方法的两大核心挑战:数据质量验证效率低种子数据选择依赖人工主观性。通过结合高效验证策略、多源种子优化和轻量级分类器,作者构建了更高质量的Ultra-FineWeb数据集(包含1万亿英语token和1200亿中文token),并在多个基准任务上验证了其有效性。

二、核心创新点

  1. 高效验证策略(Efficient Verification Strategy)

    • 无需从头训练LLM,利用近训练完成的LLM在最后阶段引入候选数据,通过性能提升评估数据质量。
    • 计算成本从传统方法的1200 H100 GPU小时降至110小时,显著提升迭代效率。
  2. 种子数据选择优化

    • 基于“高质量种子数据利于LLM训练”假设&#
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值