Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2501.08197

帮助 | 高级搜索

计算机科学 > 计算与语言

arXiv:2501.08197 (cs)
[提交于 2025年1月14日 ]

标题: OpenCSG 中文语料库:一系列用于 LLM 训练的高质量中文数据集

标题: OpenCSG Chinese Corpus: A Series of High-quality Chinese Datasets for LLM Training

Authors:Yijiong Yu, Ziyun Dai, Zekun Wang, Wei Wang, Ran Chen, Ji Pei
摘要: 大型语言模型(LLMs)已经展示了惊人的能力,但它们的成功在很大程度上依赖于预训练语料库的质量。 对于中文的LLMs,高质量中文数据集的缺乏是一个重大挑战,常常限制了它们的性能。 为了解决这个问题,我们提出了OpenCSG中文语料库,这是一个专门为LLM预训练、后训练和微调设计的一系列高质量数据集。 该语料库包括Fineweb-edu-chinese、Fineweb-edu-chinese-v2、Cosmopedia-chinese和Smoltalk-chinese,每个数据集都有其独特的特点:Fineweb-edu数据集专注于从多样化的中文网络来源中过滤出的高质量内容;Cosmopedia-chinese提供合成的、教科书风格的数据,用于知识密集型训练;而Smoltalk-chinese则强调风格多样且格式为聊天的数据。 OpenCSG中文语料库的特点是高质量的文本、跨领域的广泛覆盖以及可扩展且可重复的数据整理过程。 此外,我们进行了广泛的实验分析,包括对较小参数模型的评估,这些评估在C-Eval等任务中展示了显著的性能提升,证明了该语料库在训练中文LLMs方面的有效性。
摘要: Large language models (LLMs) have demonstrated remarkable capabilities, but their success heavily relies on the quality of pretraining corpora. For Chinese LLMs, the scarcity of high-quality Chinese datasets presents a significant challenge, often limiting their performance. To address this issue, we propose the OpenCSG Chinese Corpus, a series of high-quality datasets specifically designed for LLM pretraining, post-training, and fine-tuning. This corpus includes Fineweb-edu-chinese, Fineweb-edu-chinese-v2, Cosmopedia-chinese, and Smoltalk-chinese, each with distinct characteristics: Fineweb-edu datasets focus on filtered, high-quality content derived from diverse Chinese web sources; Cosmopedia-chinese provides synthetic, textbook-style data for knowledge-intensive training; and Smoltalk-chinese emphasizes stylistic and diverse chat-format data. The OpenCSG Chinese Corpus is characterized by its high-quality text, diverse coverage across domains, and scalable, reproducible data curation processes. Additionally, we conducted extensive experimental analyses, including evaluations on smaller parameter models, which demonstrated significant performance improvements in tasks such as C-Eval, showcasing the effectiveness of the corpus for training Chinese LLMs.
评论: 数据集可在 https://huggingface.co/collections/opencsg/chinese-fineweb-66cfed105f502ece8f29643e 获取;代码在 https://github.com/yuyijiong/fineweb-edu-chinese
主题: 计算与语言 (cs.CL)
引用方式: arXiv:2501.08197 [cs.CL]
  (或者 arXiv:2501.08197v1 [cs.CL] 对于此版本)
  https://doi.org/10.48550/arXiv.2501.08197
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Yijiong Yu [查看电子邮件]
[v1] 星期二, 2025 年 1 月 14 日 15:22:47 UTC (1,170 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.CL
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-01
切换浏览方式为:
cs

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号