English(EN) Host-Aware Web Crawling for LLM Pretraining Data

新论文提出宿主感知爬取以改进LLM预训练数据

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-12 04:00

一篇新论文提出了一种宿主感知的网络爬取策略，以提高大型语言模型（LLM）预训练数据的质量。研究表明，数据质量的显著差异发生在不同宿主之间，从一个宿主中抽样少量页面即可有效估计其剩余内容的质量。研究建议，优先爬取得分样本较高的宿主并对其进行更深入的爬取，与当前随机排序或调和中心性等方法相比，可以产生更多高质量的页面。 AI

影响这项研究可能带来更高效、更有效的LLM预训练数据收集，从而提高模型性能并降低成本。

排序理由该集群包含一篇详细介绍新数据收集方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 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: 11 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍新数据收集方法的学术论文。[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, infra; 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: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Malte Ostendorff · 2026-10-12 04:00

面向LLM预训练数据的宿主感知网络爬取

arXiv:2610.13321v1 Announce Type: new Abstract: Web crawling is a major source of large language model (LLM) pretraining data, yet data-selection pipelines discard a large share of crawled pages. We investigate how a crawler should allocate its budget across and within hosts to c…

本文如何被排名

报道来源 [1]

面向LLM预训练数据的宿主感知网络爬取

相关实体

相关话题