大型语言模型训练数据管理资源汇 总
该项目汇总了大型语言模型训练数据管理的相关资源。内容涵盖预训练和监督微调阶段,探讨领域组成、数据数量和质量等关键方面。项目还收录了数据去重、毒性过滤等技术,以及不同因素间的关系研究。这些资源为优化LLM训练数据管理提供了全面参考。
这是一个精心策划的大语言模型训练数据管理资源列表。论文按照我们的综述论文《大语言模型训练数据管理:一项调查》进行组织。
文本数据质量过滤的实证探索(Arxiv,2021年9月)[论文]
一瞥质量:对网络爬取的多语言数据集的审计(ACL 2022)[论文]
预训练者训练数据指南:测量数据年龄、领域覆盖、质量和毒性的影响(Arxiv,2023年5月)[论文]
Falcon LLM的RefinedWeb数据集:仅使用网络数据超越精选语料库(NeurIPS 2023)[论文] [数据集]
少即是多:调查大规模预训练LLMs的数据修剪(Arxiv,2023年9月)[论文]
Phi-2:小型语言模型的惊人能力(博客文章,2023年12月)[文章]
SelFee:由自我反馈生成赋能的迭代自我修正大语言模型(博客文章,2023年5月)[项目]
AlpaGasus:用更少的数据训练更好的Alpaca(Arxiv,2023年7月)[论文]
利用大卫对抗歌利亚的力量:探索不使用闭源模型的指令数据生成(Arxiv,2023年8月)[论文]
通过指令反向翻译实现自我对齐(Arxiv,2023年8月)[论文]
SELF:大语言模型的语言驱动 自我进化(Arxiv,2023年10月)[论文]
LoBaSS:衡量监督微调数据的可学习性(Arxiv,2023年10月)[论文]
一次性学习作为大语言模型的指令数据勘探者(Arxiv,2023年12月)[论文]
大语言模型标签高效监督微调的实验设计框架(Arxiv,2024年1月)[论文]
SelectIT:通过不确定性感知自我反思进行大语言模型的选择性指令调优(Arxiv,2024年2月)[论文] [代码]
小型语言模型能够为大型语言模型选择指令调优训练数据(Arxiv,2024年2月)[论文]
小到大(S2L):通过总结小模型训练轨迹实现大语言模型微调的可扩展数据选择(Arxiv,2024年3月)[论文]
用于稳健语言模型微调的自动化数据策划(Arxiv,2024年3月)[论文]
SHED:基于Shapley值的指令微调自动化数据集优化(Arxiv,2024年5月)[论文]
自我指导:通过自生成指令对齐语言模型(ACL 2023)[论文][代码]
通过困惑度估计揭示语言模型中的提示(Arxiv, 2022年12月)[论文]
模型真的学会了遵循指令吗?指令调优的实证研究(ACL, 2023)[论文]
模仿专有大语言模型的虚假承诺(Arxiv, 2023年5月)[论文]
探索指令调优的格式一致性(Arxiv, 2023年7月)[论文]
注意指令:基于提示学习的一致性和交互的全面评估(Arxiv, 2023年10月)[论文]
指令调优的动态:大语言模型的每种能力都有自己的成长速度(Arxiv, 2023年10月)[论文]
AI小说写作助手,一站式润色、改写、扩写
蛙蛙写作—国内先进的AI写作平台,涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能,助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。
字节跳动发布的AI编程神器IDE
Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。
全能AI智能助手,随时解答生活与工作的多样问题
问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。
实时语音翻译/同声传译工具
Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。
一键生成PPT和Word,让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。
深度推理能力全新升级,全面对标OpenAI o1
科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的 开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。
AI助力,做PPT更简单!
咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。
选题、配图、成文,一站式创作,让内容运营更高效
讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。
专业的AI公文写作平台,公文写作神器
AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号