文档摘要

5.1 预训练数据集构建与清洗 本节摘要：数据决定大模型的上限。本节讲预训练语料从哪来（网页、书、代码、对话的来源谱系）、怎么洗（多级流水线：抽取、去重、质量过滤、去毒）、怎么配（决定能力偏向的混合比例），并用公开证据说明一个反直觉结论——在当代规模下，数据质量与配比的杠杆已大于单纯堆量。 会员。《5.1 预训练数据集构建与清洗》收录于灏天文库文集《AI大模型开发与应用实战》，原作者/来源：灏天文库，整理自「灏天文库」，提供技术教程、实践指南与问题解决方案，支持在线阅读、全文检索与知识沉淀，助力开发者系统化学习。本站整理收录，版权归原作者/开源协议所有。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---

作者与出处

原作者： 灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/189-ai%E5%A4%A7%E6%A8%A1%E5%9E%8B%E5%BC%80%E5%8F%91%E4%B8%8E%E5%BA%94%E7%94%A8%E5%AE%9E%E6%88%98

整理： 灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流