datablations
对在数据限制下扩展语言模型的方法的研究
本项目研究在数据受限情况下扩展语言模型的方法。通过对9000亿训练令牌和90亿参数模型进行实验，提出并验证了重复令牌和多余参数的计算优化法则。实验涵盖数据增强、困惑度过滤及去重处理。相关模型和数据集公开在仓库，有助于在资源有限情况下高效训练和优化语言模型。
项目介绍：DataConstrained Language Models
项目背景
在自然语言处理领域，语言模型的性能通常与训练数据的数量密切相关。然而，获取大量高质量的数据并不总是可行的，特别是在特定领域或语言中。因此，如何在有限的数据环境中扩展语言模型成为一个重要的研究问题。
项目目的
datablations项目的核心目标是研究如何在数据受限的情况下扩展语言模型。团队进行了多次实验，尝试通过改变数据重复量和计算预算等条件来优化模型的性能。此外，研究中提出了一种计算优化的扩展定律，并通过实验证明该定律能够解释重复标记和多余参数的降低价值。
数据处理
数据重复
研究使用了C4和OSCAR这两个数据集，对数据的重复进行了实验处理。每个数据集都被转换为jsonl格式，以便进一步处理。研究探索了不同的唯一标记数量和相应的数据样本数量，以优化模型训练的效果。
代码数据
在模型训练中，混合自然语言数据和代码数据也是一项重要的实验内容。项目中使用了来自Python分割的数据，并将其与自然语言数据结合，以探索混合数据的影响。
数据过滤
团队创建了C4和OSCAR的多种过滤版本，包括基于困惑度的过滤和去重处理。这些过滤数据集中附带了相关的元数据，为后续的模型训练提供了不同的数据选择。
模型
datablations项目提供了多种训练后的模型，放在不同的存储库中，以供下载和研究。每个模型都有详细的命名规则，说明了模型的参数数量、训练标记数量以及特定的唯一标记数量。
模型训练
项目中使用了Megatron-DeepSpeed库来训练模型。在训练过程中，团队使用了特定的脚本和参数设置，以保证模型在有限数据和计算资源条件下的最佳 性能。
研究结果
团队分析了不同的数据处理和模型训练策略对语言模型性能的影响。通过设定特定的计算资源和数据预算，项目探索了各种策略下的优化配置。
结论
datablations项目对在数据受限情况下扩展语言模型进行了深入研究，为未来的自然语言处理研究提供了新的思路和参考。同时，项目中开放了多种经过处理的模型和数据集供研究者使用，促进了社区合作与进步。
附录
项目的附录中提供了详细的模型评估、数据处理脚本和可视化图表，帮助研究人员更好地理解模型性能及数据处理的影响。所有的模型和代码均以Apache 2.0许可发布，确保开放和可访问性。
编辑推荐精选
AEE
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。
UI-TARS-desktop
基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。
Wan2.1
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。
爱图表
全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表
爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。
Qwen2.5-VL
一款强大的视觉语言模型，支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。
HunyuanVideo
HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。
HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。
WebUI for Browser Use
一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。
WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网 页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。
xiaozhi-esp32
基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。
xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。
olmocr
一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。
olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。
飞书多维表格
飞书多维表格 ×DeepSeek R1 满血版
飞书多维表格联合 DeepSeek R1 模型，提供 AI 自动化解决方案，支持批量写作、数据分析、跨模态处理等功能，适用于电商、短视频、影视创作等场景，提升企业生产力与创作效率。关键词：飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号