新方法将英语LLM数据分类器适配用于多语言预训练

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-09 04:00

研究人员开发了一种方法，用于将基于英语的质量分类器适配于多语言大型语言模型（LLM）的高质量预训练数据选择。该方法通过在Transformer编码器嵌入之上训练一个小型多层感知机来实现，使用机器翻译文本和英语分类器的分数作为标签。跨不同模型规模的实验表明，这种多语言适配在不损害区域和文化知识的情况下，保持了下游LLM基准性能。 AI

影响通过利用现有的英语数据质量分类器，实现了更有效和高效的多语言LLM预训练。

排序理由学术论文，详细介绍了LLM预训练数据选择的新方法。[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: 15 / 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LLM预训练数据选择的新方法。[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, model release; 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: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Vinko Sabol\v{c}ec, Bettina Messmer, Yassine Turki, Martin Jaggi · 2026-10-09 04:00

为多语言大模型预训练数据选择调整英文质量分类器

arXiv:2610.11585v1 Announce Type: cross Abstract: Recent advances in large language model (LLM) pretraining highlight the role of high-quality training data in improving performance. While model-based filtering has proven effective in selecting high-quality subsets from web-scale…

本文如何被排名

报道来源 [1]

为多语言大模型预训练数据选择调整英文质量分类器

相关实体

相关话题