团队发布 440 亿合成 token 预训练数据
vanstriendaniel · x · 2026-07-21
团队发布 440 亿 token 合成数据，强调预训练质量
帖子宣布公开了一批通过 CoT-guided rewriting 生成的 440 亿个合成 token。
核心信息
- 作者声称，这批数据比平均的人工网页文本拥有更高的预训练质量。
- 这次同步放出了 数据集 和 论文。
- 论文已被 COLM 2025 接收。
这项工作的重点
- 目标不是单纯扩数据规模，而是提升 pretraining data quality。
- 说明合成文本如果经过推理引导与重写，可能比原始网页语料更适合训练模型。
「研究」频道最新
- EMNLP 论文：让 LLM 换个问法，「42」变「3」但蝴蝶仍是帝王蝶 — radamihalcea · 2026-10-27
- Datology Curation Studio 线上深潜：少于 20% 算力匹配最强基线 — josh_wills · 2026-10-27
- KANLab 开源：浏览器里可视化玩转 KAN 网络 — Lukas Niehaus · 2026-10-27
- CMU 提出 LLM2Cert：LLM 生成证书，SMT/Lean 自动验证 — CarnegieMellonU · 2026-10-27
- NVIDIA 开源 FLORA：机器人数据引擎，成本仅 GPT-6 Astra 的 1/125 — nvidia · 2026-10-27
- RSNA 2026 深度学习实验室回归:芝加哥四天八节动手 AI 课 — PRouzrokh · 2026-10-27