大模型LLM | llama3模型训练的数据质量控制方法总结

本篇将介绍llama3模型训练的数据质量控制方法

1、训练数据清洗

安全性过滤：对训练数据进行筛选，排除包含个人信息、有害内容和成人内容的文本。

文本清洗：使用HTML解析器提取文本、代码和数学公式，同时去除markdown标签，保留HTML中的alt标签。

文本去重：

• URL去重：保留每个网页的最新版本URL。
• Document-level去重：使用全局MinHash算法判定并去除重复文档。
• Line-level去重：根据每30M文档中出现超过6次的行进行判定和去重。

启发式去重：通过n-gram覆盖比检测重复内容，使用定义的“脏词”过滤成人内容，通过token分布的KL距离检测异常符号。

基于模型的低质过滤：使用多种模型评估文档质量，如Llama2-chat和DistilledRobera。

代码和推理数据： 专门定制 HTML parser 从网络文本中抽取出数学推导、理工科里的推理内容以及与文本交织在一起的代码，通过这些数据对 Llama2 进行提示微调，然后使用 Llama2 生成标注数据，交给 DistilledRoberta 从网络文本中分辨出这部分数据。

多语言数据。 基于 fasttext 的语言分类模型将所有数据分类成 176 种语言，在每种语言内部执行 document-level 和 line-level 去重，使用每种语言专门的模型和启发式规则过滤低质量样本。

2、不同来源训练数据配比

• 使用知识分类器和规模定律实验来确定不同数据来源在训练集中的占比，最终得到的数据配比如下：

• 约50%的token与通用知识相关。

• 25%的数学和推理数据。

• 17%的代码数据。

• 8%的多语言数据。

3、后训练数据质量控制

• 后训练阶段使用的训练数据大多是基于已有大模型合成的，因此对数据质量的要求更高。

（1）启发式规则：

• 清洗频繁出现的脏数据，如emoji符号、感叹号和道歉前缀等。

（2）基于模型的方法：

• 主题分类：使用Llama3 8B微调的主题分类器对数据进行二级主题分类。

• 质量分：使用奖励模型和Llama-prompt对样本进行质量打分。

• 复杂度：设计Llama3 70B的prompt，抽取SFT数据中的意图，意图越多说明问题越复杂。

• 语义去重：使用Roberta对样本聚类，根据质量分和复杂度排序，过滤高度相似的样本。

4、数据生产的新方法

执行反馈：

• Step 1：随机采样大量代码片段，通过提示让模型总结代码片段中的问题。
• Step 2：告诉Llama3这些问题、代码以及一些编程语言通用规则，生成这些问题的解决方法。
• Step 3：抽取解决方法中的源代码，对其进行编译，还可以生成一些单元测试，将编译不过或者单元测试不通过的样本，可以尝试让Llama3来修复，可以修复大约20%的样本。

编程语言互译：

• 针对冷门语言（如typescript/PHP）数据较少的问题，使用Llama3将热门语言（如Python/C++）翻译成冷门语言的版本，并结合语法分析、编译和跑单测来保证质量。

回译：

• Step 1：让Llama3为代码生成注释、解释等信息。
• Step 2：让Llama3根据这些信息生成代码。
• Step 3：让Llama3判断生成的代码和原始代码是否一致，将不一致的过滤掉来保证质量。

---

最后分享

AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。

学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

5. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】