近日，上海人工智能实验室（上海AI实验室）发布新一代高质量大模型预训练语料“万卷CC”（WanJuan-CC），首批开源的语料覆盖过去十年互联网上的公开内容，包含1千亿字符（100Btoken），约400GB的高质量英文数据。作为“大模型语料数据联盟”今年首发的开源语料，WanJuan-CC将为学界和业界提供大规模、高质量的数据支撑，助力构建更智能可靠的AI大模型。

　　预训练数据的质量对大模型整体性能至关重要。当前，CommonCrawl（CC）数据集因其规模大、跨度广而成为国际主流大模型训练数据的重要来源。与此同时，其原始数据格式复杂、数据质量低等问题，或将导致模型训练效率低，甚至可能引发价值观对齐等方面的隐患。

　　中国科研人员通过原创的数据清洗技术，从CC数据库中抽取约1300亿份原始数据文档进行再处理，“萃取”出其中约1.38%的高质量内容，构建成WanJuan-CC语料库。实验结果显示，WanJuanCC具有高文本质量、高信息密度的特点，可满足当前大模型训练对大规模高质量语料的需求。

　　上海AI实验室发布的书⽣·浦语2.0（InternLM2）即以WanJuan-CC为关键数据作支撑，使训练效率和语言建模能力大幅提升，综合性能领先开源社区。

　　近期，上海AI实验室发布了新一代大语言模型书⽣·浦语2.0（InternLM2）。回归语言建模本质，InternLM2综合性能达到同量级开源模型的领先水平。模型基座语言建模能力的提升，则得益于预训练文本质量及信息密度的增强。作为InternLM2的关键预训练语料，WanJuan-CC的文本质量和高信息密度经过了模型实际验证。在InternLM2的训练过程中，在仅使用约60%的训练数据情况下，模型即获得了与此前使用1T token相同的性能表现，大幅提升训练效率，并使模型在相同语料规模上取得了更好的性能。

　　绿色曲线使用WanJuan-cc作为预训练语料，在不同数据规模上取得的任务性能分布，结果显示，WanJuan-CC可大幅提升模型训练效率

　　研究团队通过对CC原始数据进行清洗，去除了网页代码和重复内容，同时利用分类模型剔除了广告和质量较差的信息，并通过内容一致性、语法正确性、数据噪声和信息价值等四个维度，对语言的流畅性进行评估。为验证数据质量，研究团队使用WanJuan-CC和RefineWeb（从CommonCrawl中抽取并构建的主流英文预训练语料）分别重新训练了参数量1B的模型，并进行评测。结果显示，由WanJuan-CC作为训练数据的模型在多项验证中取得了更优效果。

　　基于WanJuan-CC训练的1B模型在Pile验证集评测效果更优，这表明由WanJuan-CC训练的模型在不同领域和各类知识上拥有更强能力

　　为从浩如烟海的CC数据库中“精选”最可靠的信息，研究团队搭建了高性能分布式数据处理基础设施，通过启发式规则过滤、多层级数据去重、内容安全过滤、数据质量过滤等四个步骤，从原始数据中“萃取”出高质量数据，数据留存率仅为原数据的1.38%。

　　通过原创技术，对CC原始数据进行多阶段处理，得到了高信息密度的WanJuan-CC

　　研究团队首先从CC中抽取了约1300亿份原始数据文档，然后基于高性能数据处理工作流得到2.2T token（35.8亿个文档）安全数据，最后，根据质量排序精选出1T token（3.6亿个文档）质量最高的数据，构建成WanJuan-CC。如以下柱状图所示，在WanJuan-CC构建过程中的每一阶段，均进行了大比例的数据去除。对于仅占原CC数据比例2.76%的安全信息，研究人员再次“筛”掉五成低质内容，最终呈现出“百里挑一”的高质量数据。

　　为推动训练更智能可靠的AI大模型，研究团队以保障数据安全性为前提，在数据处理的各环节均实施了多项安全加固措施，使WanJuan-CC成为目前开源CC语料中首个在毒性（Toxic）、色情（Porn）和个人隐私三方面同时进行了安全加固的英文语料，因而在价值对齐方面具有更高的可靠性。

　　与部分开源CC语料多维度对比，在毒性、色情和个人隐私等方面，WanJuan-CC均进行了安全加固

　　研究人员分别对WanJuan-CC、Redpajama和Refineweb数据集进行了10万条数据的抽样，从毒性、侮辱、恐吓等7个维度进行评分，以验证各数据集的信息安全性。结果显示，WanJuan-CC在各维度上的体现出最高安全性。

　　高质量、多模态、宽领域的数据已成为支持当前人工智能大模型发展的重要基石。WanJuan-CC的主要构建团队——OpenDataLab致力于建设面向人工智能开发者的超大规模、高质量、多模态开放数据服务平台，目前已汇聚高质量多模态数据集超6500个，涵盖大模型研发应用所需的各类语料数据。雷峰网雷峰网雷峰网

　　特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。

　　突然确诊！上海一对夫妻崩溃：都是阴性啊！“医生极力推荐基因筛查，门诊大厅就摆着…”

　　2024年俄罗斯总统大选创下多个“首次”，80后博士作为候选人榜上有名

　　送水公司问“要不要把农夫山泉换成其它品牌”，网友坚决反对：老子不接受任何绑架！

　　33场30球！39岁C罗不服老：点球21连中招牌SIU庆祝，缔造8大纪录