AIGC動態歡迎閱讀

原標題：Karpathy點贊，這份報告教你如何用 LLaMa 3創建高質量網絡數據集
關鍵字：數據,模型,報告,團隊,注釋
文章來源：機器之心
內容字數：0字

內容摘要：

機器之心報道
作者：蛋醬、小舟眾所周知，對于 Llama3、GPT-4 或 Mixtral 等高性能大語言模型來說，構建高質量的網絡規模數據集是非常重要的。然而，即使是最先進的開源 LLM 的預訓練數據集也不公開，人們對其創建過程知之甚少。
最近，AI 大牛 Andrej Karpathy 推薦了一項名為 FineWeb-Edu 的工作。這項工作將原始 15 萬億個 FineWeb token，經 Llama 3 70B 評判，過濾為 1.3 萬億個高質量（教科級）token。
事實證明，LLM 從教育內容中學習會更好更快。部分原因是普通的互聯網爬取文章的價值不是很高，并且會分散訓練的注意力，包含太多不相關的信息。
互聯網上的網頁是如此隨機和糟糕，這些奇怪的數據轉儲、廣告垃圾郵件、數兆字節的股票行情更新等等，里面混雜著「鉆石」（重要內容），那么挑戰就是把「鉆石」挑出來。
預訓練數據集對于微調可能非常有用，因為當你將模型微調到特定領域時，就會慢慢失去一般能力。模型開始慢慢忘記目標域之外的事物。并且這不僅限于知識，模型還會失去原始數據所需的一般「思維」技能。也就是說，除了廣泛的知識消失之外

原文鏈接：Karpathy點贊，這份報告教你如何用 LLaMa 3創建高質量網絡數據集

聯系作者

文章來源：機器之心
作者微信：almosthuman2014
作者簡介：專業的人工智能媒體和產業服務平臺