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和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
-
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。
-
种子数据选择优化
- 基于“高质量种子数据利于LLM训练”假设&#