DataComp-LM: Auf der Suche nach der nächsten Generation von Trainingsdatensätzen für Sprachmodelle

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

June 17, 2024

Autoren: Jeffrey Li, Alex Fang, Georgios Smyrnis, Maor Ivgi, Matt Jordan, Samir Gadre, Hritik Bansal, Etash Guha, Sedrick Keh, Kushal Arora, Saurabh Garg, Rui Xin, Niklas Muennighoff, Reinhard Heckel, Jean Mercat, Mayee Chen, Suchin Gururangan, Mitchell Wortsman, Alon Albalak, Yonatan Bitton, Marianna Nezhurina, Amro Abbas, Cheng-Yu Hsieh, Dhruba Ghosh, Josh Gardner, Maciej Kilian, Hanlin Zhang, Rulin Shao, Sarah Pratt, Sunny Sanyal, Gabriel Ilharco, Giannis Daras, Kalyani Marathe, Aaron Gokaslan, Jieyu Zhang, Khyathi Chandu, Thao Nguyen, Igor Vasiljevic, Sham Kakade, Shuran Song, Sujay Sanghavi, Fartash Faghri, Sewoong Oh, Luke Zettlemoyer, Kyle Lo, Alaaeldin El-Nouby, Hadi Pouransari, Alexander Toshev, Stephanie Wang, Dirk Groeneveld, Luca Soldani, Pang Wei Koh, Jenia Jitsev, Thomas Kollar, Alexandros G. Dimakis, Yair Carmon, Achal Dave, Ludwig Schmidt, Vaishaal Shankar

cs.AI

Zusammenfassung

Wir stellen DataComp für Sprachmodelle (DCLM) vor, eine Testumgebung für kontrollierte Datensatzeperimente mit dem Ziel, Sprachmodelle zu verbessern. Im Rahmen von DCLM bieten wir einen standardisierten Korpus von 240 Billionen Tokens, extrahiert aus Common Crawl, effektive Vortrainingsrezepte basierend auf dem OpenLM-Framework und eine breite Palette von 53 nachgelagerten Bewertungen. Teilnehmer am DCLM-Benchmark können mit Datenkurierungsstrategien wie Deduplizierung, Filterung und Datenmischung bei Modellskalen von 412 Millionen bis 7 Milliarden Parametern experimentieren. Als Basislinie für DCLM führen wir umfangreiche Experimente durch und stellen fest, dass modellbasierte Filterung entscheidend ist, um einen hochwertigen Trainingsdatensatz zusammenzustellen. Der resultierende Datensatz, DCLM-Basislinie, ermöglicht das Training eines Sprachmodells mit 7 Milliarden Parametern von Grund auf auf eine 5-Schuss-Genauigkeit von 64% auf MMLU mit 2,6 Billionen Trainings-Tokens. Im Vergleich zu MAP-Neo, dem bisherigen Stand der Technik bei Sprachmodellen mit offenen Daten, stellt DCLM-Basislinie eine Verbesserung um 6,6 Prozentpunkte auf MMLU dar, während es mit 40% weniger Rechenleistung trainiert wird. Unser Basismodell ist auch vergleichbar mit Mistral-7B-v0.3 und Llama 3 8B auf MMLU (63% & 66%) und führt ähnlich auf durchschnittlich 53 natürlichen Sprachverständnisaufgaben aus, während es mit 6,6-mal weniger Rechenleistung trainiert wird als Llama 3 8B. Unsere Ergebnisse unterstreichen die Bedeutung des Datensatzdesigns für das Training von Sprachmodellen und bieten einen Ausgangspunkt für weitere Forschung zur Datenkuratierung.

English

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.