dolma
PulseAugur coverage of dolma — every cluster mentioning dolma across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
泰国研究人员使用 Dolma 工具包为 LLM 创建 Mangosteen 数据集
一个泰国研究团队开发了一个名为 Mangosteen 的新数据集，包含 470 亿 token，专门用于训练泰国大型语言模型 (LLM)。他们利用了最初由艾伦人工智能研究所开发的 Dolma 数据整理工具包，对现有的网络数据集进行过滤。这一过程产生了一个更专注的语料库，即使与更广泛的数据集相比数据量有所减少，也能提高泰国 LLM 的性能。
-
在开放LLM训练数据Dolma中发现极端言论
一项新的研究论文在Dolma数据集中发现了大量极端言论。Dolma是一个用于OLMo系列模型的大型开放训练语料库。研究人员开发了一个结合自动化处理和专家验证的流程来估计此类内容的普遍性。他们的发现表明，Dolma可能包含数十万份含有极端主义材料的文件，包括直接煽动暴力的言论，这引发了对数据策展和大型语言模型预训练的担忧。
-
新框架分析大型语言模型预训练数据中的叙事结构
研究人员开发了一个新框架和模型 NarraBERT，用于分析大型语言模型（LLM）预训练数据中的叙事结构。这项分析应用于包含 3 万亿 token 的 Dolma 语料库，揭示了与主体、设定和事件相关的可衡量的、多维度的叙事模式。研究结果表明，叙事质量在不同数据来源和主题之间分布不均，这是数据策展实践中目前未考虑到的一个因素。该研究的框架、数据集（NarraDolma）和模型将公开发布，以增进对数据构成如何影响大型语言模型叙事推理的理解。
-
新框架分析 LLM 预训练数据中的叙事结构 · 跟踪 4 个来源
研究人员开发了一个新框架和模型 NarraBERT，用于分析大型语言模型 (LLM) 预训练数据中的叙事结构。该研究将此框架应用于 3 万亿 token 的 Dolma 语料库，创建了一个名为 NarraDolma 的新数据集。研究结果表明，叙事质量在各种数据来源和主题中分布不均，这表明当前的语料库构建实践并未考虑到这些细微差别。发布的框架、数据集和模型旨在为理解叙事数据组成及其对 LLM 推理的影响奠定基础。
-
研究发现：LLM流行度偏差由预训练数据暴露驱动
研究人员分析了大型语言模型（LLM）如何对知名实体产生偏好，这种现象通常与流行度偏差有关。他们使用开源的OLMo模型及其完整的Dolma预训练语料库，计算了7.4万亿个token中的实体暴露量。他们的发现表明，LLM的流行度判断比维基百科页面浏览量等外部信号更接近预训练暴露量，特别是对于更大的模型以及在不太受欢迎的实体长尾部分。这表明预训练期间的数据暴露是LLM流行度偏差的主要驱动因素。