计算机科学 > 计算与语言
[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
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。
文献和引用工具
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
推荐器和搜索工具
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.