英偉達(dá)公司近日在其官方博客上宣布了一項(xiàng)重大進(jìn)展，推出了一款名為Nemotron-CC的大型英文AI訓(xùn)練數(shù)據(jù)庫(kù)。這一數(shù)據(jù)庫(kù)規(guī)模龐大，包含了6.3萬(wàn)億個(gè)Token，其中1.9萬(wàn)億為精心合成的數(shù)據(jù)。據(jù)英偉達(dá)介紹，這一數(shù)據(jù)庫(kù)旨在為學(xué)術(shù)界和企業(yè)界提供更為強(qiáng)大的資源，以推動(dòng)大語(yǔ)言模型的訓(xùn)練進(jìn)程。
當(dāng)前，AI模型的性能在很大程度上依賴(lài)于其訓(xùn)練數(shù)據(jù)的質(zhì)量和數(shù)量。然而，現(xiàn)有的公開(kāi)數(shù)據(jù)庫(kù)在規(guī)模和質(zhì)量上往往存在限制，難以滿(mǎn)足日益增長(zhǎng)的訓(xùn)練需求。英偉達(dá)表示，Nemotron-CC正是為了解決這一難題而生。該數(shù)據(jù)庫(kù)不僅規(guī)模巨大，而且包含大量經(jīng)過(guò)驗(yàn)證的高質(zhì)量數(shù)據(jù)，被視為訓(xùn)練大型語(yǔ)言模型的理想選擇。
為了驗(yàn)證Nemotron-CC的性能，英偉達(dá)進(jìn)行了多項(xiàng)測(cè)試。結(jié)果顯示，與目前業(yè)界領(lǐng)先的公開(kāi)英文訓(xùn)練數(shù)據(jù)庫(kù)DCLM相比，使用Nemotron-CC-HQ訓(xùn)練的模型在MMLU基準(zhǔn)測(cè)試中的分?jǐn)?shù)提高了5.6分。使用Nemotron-CC訓(xùn)練的80億參數(shù)模型也在MMLU和ARC-Challenge等多個(gè)基準(zhǔn)測(cè)試中取得了顯著的成績(jī)提升。
在進(jìn)一步測(cè)試中，該80億參數(shù)模型在MMLU基準(zhǔn)測(cè)試中分?jǐn)?shù)提升了5分，在ARC-Challenge基準(zhǔn)測(cè)試中提升了3.1分，并在10項(xiàng)不同任務(wù)的平均表現(xiàn)中提高了0.5分。這一成績(jī)甚至超越了基于Llama 3訓(xùn)練數(shù)據(jù)集開(kāi)發(fā)的Llama 3.1 8B模型，充分展示了Nemotron-CC在訓(xùn)練大型語(yǔ)言模型方面的優(yōu)勢(shì)。
英偉達(dá)在開(kāi)發(fā)Nemotron-CC的過(guò)程中，采用了多種先進(jìn)技術(shù)來(lái)確保數(shù)據(jù)的高質(zhì)量和多樣性。例如，他們使用了模型分類(lèi)器和合成數(shù)據(jù)重述等技術(shù)來(lái)優(yōu)化數(shù)據(jù)處理流程。同時(shí)，他們還針對(duì)特定高質(zhì)量數(shù)據(jù)降低了傳統(tǒng)的啟發(fā)式過(guò)濾器處理權(quán)重，從而進(jìn)一步提高了數(shù)據(jù)庫(kù)中高質(zhì)量Token的數(shù)量，并避免了對(duì)模型精確度造成損害。
英偉達(dá)已經(jīng)將Nemotron-CC訓(xùn)練數(shù)據(jù)庫(kù)在Common Crawl網(wǎng)站上公開(kāi)。用戶(hù)可以通過(guò)訪問(wèn)該網(wǎng)站來(lái)獲取這一數(shù)據(jù)庫(kù)。英偉達(dá)還表示，相關(guān)文檔文件將在稍晚時(shí)候在其GitHub頁(yè)面上公布。這將為更多研究人員和開(kāi)發(fā)者提供便利，推動(dòng)大語(yǔ)言模型的進(jìn)一步發(fā)展。
