DataComp-LM: Op zoek naar de volgende generatie trainingssets voor taalmodelen

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

June 17, 2024

Auteurs: 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

Samenvatting

We introduceren DataComp for Language Models (DCLM), een testomgeving voor gecontroleerde datasetexperimenten met als doel het verbeteren van taalmodel(len). Als onderdeel van DCLM bieden we een gestandaardiseerd corpus van 240T tokens, geëxtraheerd uit Common Crawl, effectieve pretrainingsrecepten gebaseerd op het OpenLM-framework, en een uitgebreide set van 53 downstream-evaluaties. Deelnemers aan de DCLM-benchmark kunnen experimenteren met datacuratiestrategieën zoals deduplicatie, filtering en datamixen op modelschalen variërend van 412M tot 7B parameters. Als basislijn voor DCLM voeren we uitgebreide experimenten uit en concluderen we dat modelgebaseerde filtering essentieel is voor het samenstellen van een hoogwaardige trainingsset. De resulterende dataset, DCLM-Baseline, maakt het mogelijk om een taalmodel van 7B parameters vanaf nul te trainen tot een 5-shot nauwkeurigheid van 64% op MMLU met 2.6T trainings-tokens. Vergeleken met MAP-Neo, de vorige state-of-the-art in open-data taalmodel(len), vertegenwoordigt DCLM-Baseline een verbetering van 6,6 procentpunt op MMLU terwijl het met 40% minder rekenkracht is getraind. Ons basislijnmodel is ook vergelijkbaar met Mistral-7B-v0.3 en Llama 3 8B op MMLU (63% & 66%), en presteert vergelijkbaar op een gemiddelde van 53 natuurlijke taalbegriptaken terwijl het met 6,6x minder rekenkracht is getraind dan Llama 3 8B. Onze resultaten benadrukken het belang van datasetontwerp voor het trainen van taalmodel(len) en bieden een startpunt voor verder onderzoek naar datacuratie.

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.