English(EN) Auditing Chinese Web-scale Corpora via Sampled BPE Token Statistics

新方法审计中文网络语料库以检测大模型污染

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-12 04:00

研究人员开发了一种名为 Sampled-BPE 的新方法，用于高效审计大型中文网络语料库中的大模型污染。与完整扫描相比，该技术显著降低了运行时间和内存使用量，同时保持了对污染类别的准确估计。该流程应用于多个公开的中文语料库和 Common Crawl 快照，揭示了普遍存在且随时间变化的污染。此外，还发布了一个包含上下文和类别信息的中文网络标记的详细数据集，以协助进一步分析和追踪污染。 AI

影响为清理和验证用于训练大型语言模型的数据提供了一种更有效的方法。

排序理由学术论文，详细介绍了一种新的语料库审计方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，详细介绍了一种新的语料库审计方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, safety; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 57 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Qingjie Zhang, Ziqi Tang, Jie Zhang, Gelei Deng, Jinfeng Li, YueFeng Chen, Yitong Yang, Hui Xue, Tianwei Zhang, Han Qiu · 2026-08-12 04:00

通过采样 BPE Token 统计审计中文网络规模语料库

arXiv:2608.10678v1 Announce Type: cross Abstract: Chinese web pollution has surfaced in LLMs, motivating audits of upstream Chinese corpora. However, auditing such corpora faces three challenges: (1) their web-scale size makes full scan costly; (2) prior analyses are often too co…

本文如何被排名

报道来源 [1]

通过采样 BPE Token 统计审计中文网络规模语料库

相关实体

相关话题