5.7万亿个优质tokens的诞生:大语言模型训练的 “神秘宝藏” TxT360
在 AI 的世界里,数据就像是金矿,越丰富越闪亮。最近,LLM360推出了一个令人瞩目的数据集 TxT360,专为大语言模型训练量身定做。这个庞然大物不仅收录了来自各行各业的高质量文本数据,更是经历了一场全球范围的去重大作战,最终汇聚成5.7万亿个优质 tokens,真可谓是 “数据界的百宝箱”!TxT360的魅力在于其超大的规模和超高的质量,完胜现有的 FineWeb 和 RedPajama 等数据集。这份数据集从99个 Common Crawl 快照中抓取了互联网的精华,同时还特别挑选了14个高质量的数据源,比如法律文档和