Essential-Web v1.0: 24T token di dati web organizzati
Essential-Web v1.0: 24T tokens of organized web data
June 17, 2025
Autori: Essential AI, Andrew Hojel, Michael Pust, Tim Romanski, Yash Vanjani, Ritvik Kapila, Mohit Parmar, Adarsh Chaluvaraju, Alok Tripathy, Anil Thomas, Ashish Tanwer, Darsh J Shah, Ishaan Shah, Karl Stratos, Khoi Nguyen, Kurt Smith, Michael Callahan, Peter Rushton, Philip Monk, Platon Mazarakis, Saad Jamal, Saurabh Srivastava, Somanshu Singla, Ashish Vaswani
cs.AI
Abstract
I dati svolgono il ruolo più prominente nel modo in cui i modelli linguistici acquisiscono competenze e conoscenze. La mancanza di dataset di pre-addestramento massicci e ben organizzati si traduce in pipeline di dati costose e di difficile accesso. Presentiamo Essential-Web v1.0, un dataset da 24 trilioni di token in cui ogni documento è annotato con una tassonomia a dodici categorie che copre argomento, formato, complessità del contenuto e qualità. Le etichette della tassonomia sono prodotte da EAI-Distill-0.5b, un modello fine-tuned da 0,5 miliardi di parametri che raggiunge un accordo tra annotatori entro il 3% rispetto a Qwen2.5-32B-Instruct. Utilizzando semplici filtri in stile SQL, otteniamo dataset curati dal web competitivi in matematica (-8,0% rispetto allo stato dell'arte), codice web (+14,3%), STEM (+24,5%) e medicina (+8,6%). Essential-Web v1.0 è disponibile su HuggingFace: https://huggingface.co/datasets/EssentialAI/essential-web-v1.0.
English
Data plays the most prominent role in how language models acquire skills and
knowledge. The lack of massive, well-organized pre-training datasets results in
costly and inaccessible data pipelines. We present Essential-Web v1.0, a
24-trillion-token dataset in which every document is annotated with a
twelve-category taxonomy covering topic, format, content complexity, and
quality. Taxonomy labels are produced by EAI-Distill-0.5b, a fine-tuned
0.5b-parameter model that achieves an annotator agreement within 3% of
Qwen2.5-32B-Instruct. With nothing more than SQL-style filters, we obtain
competitive web-curated datasets in math (-8.0% relative to SOTA), web code
(+14.3%), STEM (+24.5%) and medical (+8.6%). Essential-Web v1.0 is available on
HuggingFace: https://huggingface.co/datasets/EssentialAI/essential-web-v1.0