预训练数据策略的探索与实践-百川智能+张宇鹏_第1页
预训练数据策略的探索与实践-百川智能+张宇鹏_第2页
预训练数据策略的探索与实践-百川智能+张宇鹏_第3页
预训练数据策略的探索与实践-百川智能+张宇鹏_第4页
预训练数据策略的探索与实践-百川智能+张宇鹏_第5页
已阅读5页，还剩61页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

13https://huggingface.co/spaces/HuggingFaceFW/blogposhttps://huggingface.co/spaces/Lhttps://huggingface.co/spaces/HuggingFaceFW/blogpos•桶内(cc原始100个桶)单独去重，效果好于全局去重人工选择在llama3的技术报告中也提到，使用llama2等模型作为质量模型对数据进模型选择长上下文：Metabolicdistu无论是否给出前文，都很难推出后一段，说明关系质量vs数量https://huggingface.co/spaces/HuggingFaceFW/blogpos质量vs数量https://huggingface.co/spaces/HuggingFaceFW/blogpos•SI(Self-Influence)分数：代表一条数据在当前模型上的•阶段二：接近饱和阶段，降低具有较高SI分数高质量数据集仍可能包含噪声，过于严格的过滤可能会排除有用数据导致偏差。选取topk与referenceloss相差大的tokhttps://huggingface.co/spaces/LQÉQÉ可以采取FIM(FillinMiddle)和predictnexttoken混合的方式。<|fim_prefix|>{code_pre}<|fim_suffix|>{code_suf}<|fim_middle|>{code_mid}<|endoftext|训练后期采取repo粒度的训练方案，可以更好的捕捉长期依赖数据合成-代码数据-QA代码合成-多步代码合成-o1

人人文库> 全部分类> 应用文书 > 研究报告

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论