洛桑联邦理工学院 发布 FineWeb-2 refined pretraining datasets 数据集, 应用在 自然语言处理、多语言模型 领域

洛桑联邦理工学院 本次发布的数据集 FineWeb-2 refined pretraining datasets, 本研究提出了一个模型基础的数据选择框架，以增强多语言大型语言模型(LLM)的预训练。该框架跨越不同的语言家族、脚本和资源可用性，专注于识别结构化和知识丰富的样本。文章中使用了FastText和Transformer的多层感知器(MLP)嵌入式分类模型对FineWeb-2网络抓取数据集进行了综合的消融研究，以展示方法的有效性。最终，研究者释放了涵盖20种语言 refined预训练数据集，以推动多语言语言模型的发展。

查看FineWeb-2 refined pretraining datasets

Dataset card 内容： 

Files and versions 内容： 

关于 洛桑联邦理工学院 , 洛桑联邦理工学院（École Polytechnique Fédérale de Lausanne，简称EPFL）是一所世界顶尖的工程和科学研究大学，位于瑞士洛桑，专注于自然科学和工程学领域的研究与教育。

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。