原文链接：https://blog.csdn.net/qq_27590277/article/details/131298092
思想：
从数据入手，想炼丹，先把好原材料的关。
这个模型仅使用“互联网语料”（不需要额外的数据源），就可以训练一个不错的大模型。
问题点：
数据、wikipedia、论文集这些数据集质量高，但是不易扩展，数量级起不来。
假设：世界上所有的信息都能在互联网信息中被找到，只是信息密度比【结构化的精选数据集】要更低。
方案：
互联网数据清洗
1 url过滤
2 内容抽取
3 语言识别
4 规则过滤：篇章级：整体长度、符号比率；句子级：关键词匹配“点赞”、"转发"、“展开”
5 去重 tokenizer+spark+simhash+faiss
6 基于统计知识的打分模型
结论：
FalCon的模型也是传统的Rotary Emb+Flash Attention的Decoder结构，从效果看，不管是pretrain还是finetuning，【数据质量】都比【模型结构】更重要。
标签：洗败,模型,互联网,LLaMA,Falcon,数据 From： https://www.cnblogs.com/Revelation/p/17787288.html