计算机科学 > 计算与语言
[提交于 2025年7月2日
]
标题: MuRating:一种多语言大型语言模型预训练的高质量数据选择方法
标题: MuRating: A High Quality Data Selecting Approach to Multilingual Large Language Model Pretraining
摘要: 数据质量是大型语言模型性能的关键驱动因素,但现有的基于模型的选择方法几乎只关注英语。 我们引入了MuRating,一个可扩展的框架,将高质量的英语数据质量信号转移到17种目标语言的单一评分者中。 MuRating通过成对比较聚合多个英语“评分者”以学习统一的文档质量分数,然后通过翻译将这些判断投影出来,以在单语、跨语言和并行文本对上训练多语言评估者。 应用于网络数据时,MuRating选择了平衡的英语和多语言内容子集来预训练一个12亿参数的LLaMA模型。 与包括QuRater、AskLLM、DCLM等在内的强基线相比,我们的方法在英语基准和多语言评估中的平均准确率都有所提高,特别是在知识密集型任务中取得了更大的进展。 我们进一步分析了翻译保真度、选择偏差和叙述性材料的不足代表,指出了未来工作的方向。
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.