DataComp-LM: 言語モデルの次世代トレーニングデータセットを探求する

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

June 17, 2024

著者: 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

要旨

言語モデルの改善を目的とした制御されたデータセット実験のためのテストベッドとして、DataComp for Language Models (DCLM)を導入します。DCLMの一環として、Common Crawl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く効果的な事前学習レシピ、および53の多様な下流評価タスクを提供します。DCLMベンチマークの参加者は、412Mから7Bパラメータまでのモデルスケールで、重複排除、フィルタリング、データ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、広範な実験を行い、モデルベースのフィルタリングが高品質なトレーニングセットを構築する鍵であることを発見しました。その結果得られたデータセット、DCLM-Baselineは、2.6Tのトレーニングトークンで7Bパラメータの言語モデルをゼロからトレーニングし、MMLUで64%の5-shot精度を達成します。オープンデータ言語モデルの従来の最先端であったMAP-Neoと比較して、DCLM-BaselineはMMLUで6.6ポイントの改善を示し、40%少ない計算量でトレーニングされました。また、ベースラインモデルはMistral-7B-v0.3およびLlama 3 8BとMMLUで同等の性能（63% & 66%）を示し、53の自然言語理解タスクの平均でも同様の性能を発揮しながら、Llama 3 8Bよりも6.6倍少ない計算量でトレーニングされました。これらの結果は、言語モデルのトレーニングにおける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。

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.