开发者开源 1T token 预训练数据集，成本仅约 11 美元/十亿 token
jon_durbin · x · 2026-09-11
开发者 jondurbin 公开其预训练运行的完整数据集 chutesai/mesh-1t-prod-mix：约 1 万亿 token 的多阶段预训练语料（纯预训练，不含 SFT/RL），在 Hugging Face 以 gated+自动批准方式开放。
关键细节：
- 数据以 llama3 uint32 token bin 存储（文档间以 EOS 128001 分隔），附验证集与每阶段 mixmanifest./poolconfig. 溯源信息及 SHA256 校验；
- 阶段预算示例：Phase 1 为 600B token（ClimbMix+FinePDFs-Edu、UFW、Stack-code、CC-Math 等），Phase 2 为 285B；
- 附运行 dashboard，训练成本约 11 美元/十亿 token，作者称 MFU 高得离谱，推理表现也令人印象深刻；
- 部分节点来自 lium.io。
所属事件:jon_durbin 去中心化训练跑出约 11 美元/十亿 token 并开源 1T 数据集(5 条相关)→
「Infra」频道最新
- DeepSpeed 发布 AutoEP/AutoTP 等并行化进展并办线上答疑 — PyTorch · 2026-10-27
- Cloudflare Durable Objects 被验证为 AI agent 高并发场景优选架构 — tristanbob · 2026-10-27
- Gary Marcus:补上 Q3 数据后，Anthropic 算力效率增速现拐点 — GaryMarcus · 2026-10-27
- SpaceX 锁定 400 亿美元 GPU 融资，号称史上最大规模 — TechCrunch AI · 2026-10-27
- 推理社区与 K8s 社区高度重合：万亿市场的 Kubernetes 翻版 — matt_slotnick · 2026-10-27
- vLLM 考虑将更多栈迁往 Rust，推理引擎 Rust 化成趋势 — AccBalanced · 2026-10-27