datablations

对在数据限制下扩展语言模型的方法的研究

language models 训练数据数据重复数据稀缺 C4 Github 开源项目

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。

dclm - 大型语言模型训练与评估的开源综合框架

DataComp-LMGithub大语言模型开源项目数据处理模型训练评估

DataComp-LM是一个开源的大型语言模型训练和评估框架。它提供了超过300T的CommonCrawl标准语料库、基于open_lm的预训练方案和50多项评估指标。研究人员可利用该框架在411M至7B参数规模下进行数据集构建实验。通过数据集优化，DataComp-LM已显著提升了模型性能，创建了多个跨规模表现优异的高质量数据集。

data_management_LLM - 大型语言模型训练数据管理资源汇总

Github大语言模型开源项目数据质量监督微调训练数据管理预训练

该项目汇总了大型语言模型训练数据管理的相关资源。内容涵盖预训练和监督微调阶段，探讨领域组成、数据数量和质量等关键方面。项目还收录了数据去重、毒性过滤等技术，以及不同因素间的关系研究。这些资源为优化LLM训练数据管理提供了全面参考。

stablelm-3b-4e1t - StableLM开源语言模型在1万亿token数据上训练达到30亿参数规模

GithubHuggingfaceStableLM-3B-4E1T人工智能大语言模型开源模型开源项目文本生成模型

StableLM-3B-4E1T是一个开源语言模型，通过在Falcon RefinedWeb和RedPajama-Data等数据集上训练4轮获得，总计处理1万亿tokens数据。模型采用LayerNorm归一化和Rotary位置编码技术，支持Flash Attention 2优化。在HellaSwag和Winogrande任务评测中分别达到75.94%和71.19%的准确率，展现出良好的语言理解能力。

bitnet_b1_58-large - BitNet b1.58复现项目展示1比特量化语言模型的效能

1比特量化BitNetGithubHuggingface开源项目模型模型评估语言模型

本项目复现了BitNet b1.58的1比特量化语言模型，采用RedPajama数据集进行了1000亿token的训练。通过实施论文中提出的训练策略，项目成功重现了700M、1.3B和3B规模模型的性能。评估结果显示，在困惑度（PPL）和多项零样本任务中，复现模型与原论文报告的数据高度一致，证实了该方法在模型压缩和维持性能方面的有效性。项目还提供了详细的评估流程和命令，方便研究者进行复现和进一步探索。通过比较不同规模模型在各项任务上的表现，该研究为大规模语言模型的高效压缩和部署提供了valuable的实践参考。

bitnet_b1_58-xl - 概述BitNet b1.58模型的再现性和性能

BitNetGithubHuggingface开源开源项目数据集模型模型训练评估

BitNet b1.58模型使用RedPajama数据集进行训练，涵盖100B个令牌，重点研究超参数调节与两阶段学习率及权重衰减的优化。在不同参数下测评PPL和零样本准确率，揭示出因数据处理等随机因素导致的再现性细微差异。模型在Huggingface平台开源，配套评价方法简化效能验证。

OLMo-Bitnet-1B - 利用1B参数模型验证1位LLM训练新方法

DolmaGithubHuggingfaceOLMo-Bitnet-1B参数模型大模型开源项目模型自然语言处理

OLMo-Bitnet-1B项目验证了1位大型语言模型训练方法的潜力。通过Dolma数据集的60亿标记构建了拥有10亿参数的模型，旨在探索新方法的可行性。项目还进行了fp16权重的对比实验，详情见相关报告。模型支持文本生成，包括示例代码方便研究和应用者评估该技术。

LLM2LLM - 探索迭代数据增强提升语言模型性能

GSM8KGithubLLM2LLM大语言模型开源项目数据增强迭代学习

LLM2LLM项目提出了一种迭代数据增强方法，旨在提升大型语言模型的性能。该方法通过数据生成和筛选，创建高质量训练数据，逐步改进模型能力。研究团队在GSM8K等数据集上的实验证实了方法的有效性。项目已开源代码并提供复现指南，为相关研究和开发工作提供了参考资源。

llm-data-creation - 大型语言模型驱动的自动数据生成框架

EMNLPGithub大语言模型开源项目微调数据创建评估

llm-data-creation是一个基于大型语言模型的数据生成框架。该项目仅需一个格式示例即可创建多种问答任务的合成数据，通过迭代过程生成更多相同格式的数据。这一方法特别适用于缺乏人工标注数据的场景。项目提供完整的数据创建、模型微调和评估流程，在10个公开基准数据集上的评估显示出优秀的跨域性能。

dbrx - 大规模开源语言模型DBRX，支持灵活定制

DBRXDatabricksGithubLLM FoundryMixture-of-Experts开源模型开源项目

DBRX是由Databricks训练的开源大型语言模型，采用开放许可。该模型包含基本代码和示例，用于推理操作，并提供相关资源。DBRX是一个Mixture-of-Experts模型，拥有1320亿总参数和12T文本预训练数据，支持TensorRT-LLM和vLLM等多种推理库。DBRX提供基础版和指令微调版，且支持在Databricks平台上的多种集成应用。

Baichuan2 - 开源大语言模型

Baichuan 2Github大语言模型开源开源项目推理和部署模型微调

Baichuan 2，新一代开源大语言模型，拥有基于2.6万亿Tokens训练的7B与13B版本，展现卓越性能于多语言、法律及医疗领域。开发者经官方审核后，可免费商用。详情见技术报告《Baichuan 2: Open Large-scale Language Models》。

相关项目

推荐项目

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com