需求人群
DCLM 面向需要构建和训练大型语言模型的研究人员和开发者,特别是那些寻求通过优化数据集设计来提升模型性能的专业人士。它适用于需要处理大规模数据集并希望在不同计算规模上进行实验的场景。
使用场景
研究人员使用DCLM创建了DCLM-BASELINE数据集,并用其训练模型,展现出与封闭源模型和其他开源数据集相比的优越性能。DCLM 支持在不同规模上训练模型,例如400M-1x和7B-2x,以适应不同的计算需求。社区成员通过提交模型到DCLM的排行榜,展示了在不同数据集和规模上训练的模型性能。
产品特色
提供超过300T未过滤的CommonCrawl语料库基于open_lm框架提供有效的预训练配方提供超过50种评估方法来评估模型性能支持从411M到7B参数模型的不同计算规模允许研究人员实验不同的数据集构建策略通过优化数据集设计提高模型性能
使用教程