DataComp-LM: В поисках следующего поколения наборов данных для языковых моделей

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

June 17, 2024

Авторы: 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

Аннотация

Мы представляем DataComp для языковых моделей (DCLM), платформу для контролируемых экспериментов с наборами данных с целью улучшения языковых моделей. В рамках DCLM мы предоставляем стандартизированный корпус из 240T токенов, извлеченных из Common Crawl, эффективные рецепты предварительного обучения на основе фреймворка OpenLM и широкий набор из 53 оценочных задач. Участники испытаний DCLM могут экспериментировать с стратегиями курирования данных, такими как удаление дубликатов, фильтрация и смешивание данных на масштабах моделей от 412M до 7B параметров. В качестве базовой модели для DCLM мы проводим обширные эксперименты и устанавливаем, что фильтрация на основе модели является ключом к созданию высококачественного набора данных. Полученный набор данных, DCLM-Baseline, позволяет обучить языковую модель с 7B параметрами с нуля до точности 64% на MMLU с 2.6T обучающими токенами при 5-кратном применении. По сравнению с MAP-Neo, предыдущим лучшим решением среди языковых моделей на открытых данных, DCLM-Baseline показывает улучшение на 6.6 процентных пункта на MMLU при использовании на 40% меньшего вычислительного ресурса. Наша базовая модель также сопоставима с Mistral-7B-v0.3 и Llama 3 8B на MMLU (63% и 66%) и показывает схожие результаты на среднем уровне 53 задач по пониманию естественного языка, при этом обучается с использованием в 6.6 раз меньшего вычислительного ресурса, чем Llama 3 8B. Наши результаты подчеркивают важность дизайна набора данных для обучения языковых моделей и предлагают отправную точку для дальнейших исследований по курированию данных.

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.