DataComp-LM: In search of the next generation of training sets for language models

要約

言語モデルを改善することを目的とした、制御されたデータセット実験のテストベッドである言語モデル（DCLM）のデータコンプを紹介します。
DCLMの一部として、一般的なクロールから抽出された240Tトークンの標準化されたコーパス、OpenLMフレームワークに基づいた効果的な前登録レシピ、および53のダウンストリーム評価の幅広いスイートを提供します。
DCLMベンチマークの参加者は、412Mから7Bのパラメーターの範囲のモデルスケールでの重複排除、フィルタリング、データの混合などのデータキュレーション戦略を実験できます。
DCLMのベースラインとして、広範な実験を実施し、モデルベースのフィルタリングが高品質のトレーニングセットを組み立てるための鍵であることがわかります。
結果のデータセットであるDCLMベースラインは、2.6Tトレーニングトークンを使用してMMLUで7Bパラメーター言語モデルをゼロから64％5ショット精度にトレーニングできます。
Open-Data言語モデルの以前の最先端のMAP-Neoと比較して、DCLMベースラインは、MMLUの6.6パーセントポイントの改善を表し、40％の計算でトレーニングされています。
私たちのベースラインモデルは、MMLUのMistral-7B-V0.3およびLlama 3 8Bにも匹敵し（63％＆66％）、平均53の自然言語理解タスクで同様に実行され、Llama 3 8bよりも6.6倍少ないコンピューティングで訓練されています。
私たちの結果は、言語モデルをトレーニングするためのデータセット設計の重要性を強調し、データキュレーションに関するさらなる研究の出発点を提供します。

要約(オリジナル)

We introduce DataComp for Language Models (DCLM), a testbed for controlled dataset experiments with the goal of improving language models. As part of DCLM, we provide a standardized corpus of 240T tokens extracted from Common Crawl, effective pretraining recipes based on the OpenLM framework, and a broad suite of 53 downstream evaluations. Participants in the DCLM benchmark can experiment with data curation strategies such as deduplication, filtering, and data mixing at model scales ranging from 412M to 7B parameters. As a baseline for DCLM, we conduct extensive experiments and find that model-based filtering is key to assembling a high-quality training set. The resulting dataset, DCLM-Baseline enables training a 7B parameter language model from scratch to 64% 5-shot accuracy on MMLU with 2.6T training tokens. Compared to MAP-Neo, the previous state-of-the-art in open-data language models, DCLM-Baseline represents a 6.6 percentage point improvement on MMLU while being trained with 40% less compute. Our baseline model is also comparable to Mistral-7B-v0.3 and Llama 3 8B on MMLU (63% & 66%), and performs similarly on an average of 53 natural language understanding tasks while being trained with 6.6x less compute than Llama 3 8B. Our results highlight the importance of dataset design for training language models and offer a starting point for further research on data curation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google