SampleMix:一种通过协调数据质量与多样性实现的样本级预训练数据混合策略
SampleMix: A Sample-wise Pre-training Data Mixing Strategey by Coordinating Data Quality and Diversity
March 3, 2025
作者: Xiangyu Xi, Deyang Kong, Jian Yang, Jiawei Yang, Zhengyu Chen, Wei Wang, Jingang Wang, Xunliang Cai, Shikun Zhang, Wei Ye
cs.AI
摘要
现有的大型语言模型(LLMs)预训练数据混合方法通常采用领域导向的策略,这是一种自上而下的过程,首先确定各领域的权重,然后在每个领域内进行均匀的数据采样。然而,这些方法忽视了领域间显著的交叉与共性,未能有效控制构建训练数据集的全局多样性。此外,领域内的均匀采样忽略了样本细粒度的特定特征,可能导致数据分布不尽理想。针对这些不足,我们提出了一种基于自下而上范式的新型样本级数据混合方法。该方法通过系统评估每个样本的质量与多样性,实现跨领域的全局采样,从而动态确定最优的领域分布。在多个下游任务及困惑度评估中的全面实验表明,SampleMix超越了现有的基于领域的方法。同时,SampleMix需要1.4倍至2.1倍的训练步数以达到基线性能,这凸显了SampleMix在优化预训练数据方面的巨大潜力。
English
Existing pretraining data mixing methods for large language models (LLMs)
typically follow a domain-wise methodology, a top-down process that first
determines domain weights and then performs uniform data sampling across each
domain. However, these approaches neglect significant inter-domain overlaps and
commonalities, failing to control the global diversity of the constructed
training dataset. Further, uniform sampling within domains ignores fine-grained
sample-specific features, potentially leading to suboptimal data distribution.
To address these shortcomings, we propose a novel sample-wise data mixture
approach based on a bottom-up paradigm. This method performs global
cross-domain sampling by systematically evaluating the quality and diversity of
each sample, thereby dynamically determining the optimal domain distribution.
Comprehensive experiments across multiple downstream tasks and perplexity
assessments demonstrate that SampleMix surpasses existing domain-based methods.
Meanwhile, SampleMix requires 1.4x to 2.1x training steps to achieves the
baselines' performance, highlighting the substantial potential of SampleMix to
optimize pre-training data.Summary
AI-Generated Summary
论文概述
核心贡献
- 提出了一种基于样本级别的预训练数据混合策略SampleMix,通过协调数据质量和多样性来优化预训练数据。
- 采用自下而上的范式,通过全局跨域采样动态确定最优的领域分布。
- 实验表明,SampleMix在多个下游任务和困惑度评估中优于现有的基于领域的方法,并且训练效率显著提高。
研究背景
- 现有的预训练数据混合方法通常采用领域级别的混合策略,忽略了领域间的重叠和共性,导致训练数据的全局多样性控制不足。
- 领域内的均匀采样忽略了样本的细粒度特征,可能导致次优的数据分布。
关键词
- 预训练数据混合
- 样本级别混合
- 数据质量
- 数据多样性
- 自下而上范式
背景
研究空白
- 现有方法忽略了领域间的重叠和共性,无法有效控制训练数据的全局多样性。
- 领域内的均匀采样可能导致次优的样本分布。
技术挑战
- 如何在全局范围内评估样本的质量和多样性。
- 如何动态确定最优的领域分布,以适应不同的训练预算。
先前方法
- 基于启发式规则的领域权重分配方法。
- 基于小模型性能的领域权重优化方法。
- 基于学习的代理模型生成领域权重的方法。
方法论
技术架构
- 采用自下而上的范式,通过全局跨域采样动态确定最优的领域分布。
- 对每个样本的质量和多样性进行评估,并根据评估结果分配采样权重。
实现细节
- 数据质量评估:通过GPT-4o对样本的七个质量维度进行评分。
- 数据多样性评估:通过K-Means聚类计算样本的多样性。
- 采样权重计算:结合质量和多样性评估结果,计算每个样本的采样权重。
- 训练数据集构建:根据采样权重和训练预算,构建最优的训练数据集。
创新点
- 提出了样本级别的数据混合策略,解决了现有方法忽略领域间重叠和样本分布次优的问题。
- 通过全局跨域采样动态确定领域分布,适应不同的训练预算。
结果
实验设置
- 使用SlimPajama数据集进行实验,训练1B参数的LLaMA模型。
- 对比了Vanilla、DoReMi、CE、BiMIX-OPT、DoGE、DML等基线方法。
主要发现
- SampleMix在多个下游任务和困惑度评估中表现最佳,平均准确率达到47.77%。
- SampleMix的训练效率显著提高,达到基线性能所需的训练步骤减少了1.4倍到2.1倍。
局限性
- 实验仅在SlimPajama数据集上进行,超参数设置可能不适用于其他数据集。
- 未来需要探索代码数据的混合策略。
结论
- SampleMix通过协调数据质量和多样性,显著提高了预训练数据混合的效果和效率。
- 未来将探索从模型角度自动生成评估指标,并进一步研究代码数据的混合策略。
1比特LLM时代:所有大型语言模型均为1.58比特。The Era of 1-bit LLMs: All Large Language Models are in 1.58 Bits
1比特LLM时代:所有大型语言模型均为1.58比特。
The Era of 1-bit LLMs: All Large Language Models are in 1.58 Bits
Shuming Ma, Hongyu Wang, Lingxiao Ma, Lei Wang, Wenhui Wang, Shaohan Huang, Li Dong, Ruiping Wang, Jilong Xue, Furu Wei•Feb 27, 2024•610142
Qwen2.5 技术报告Qwen2.5 Technical Report
Qwen2.5 技术报告
Qwen2.5 Technical Report
Qwen, An Yang, Baosong Yang, Beichen Zhang, Binyuan Hui, Bo Zheng, Bowen Yu, Chengyuan Li, Dayiheng Liu, Fei Huang, Haoran Wei, Huan Lin, Jian Yang, Jianhong Tu, Jianwei Zhang, Jianxin Yang, Jiaxi Yang, Jingren Zhou, Junyang Lin, Kai Dang, Keming Lu, Keqin Bao, Kexin Yang, Le Yu, Mei Li, Mingfeng Xue, Pei Zhang, Qin Zhu, Rui Men, Runji Lin, Tianhao Li, Tingyu Xia, Xingzhang Ren, Xuancheng Ren, Yang Fan, Yang Su, Yichang Zhang, Yu Wan, Yuqiong Liu, Zeyu Cui, Zhenru Zhang, Zihan Qiu•Dec 19, 2024•35211
DeepSeek-R1:通过强化学习激励LLMs中的推理能力DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via
Reinforcement Learning
DeepSeek-R1:通过强化学习激励LLMs中的推理能力
DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via
Reinforcement Learning
DeepSeek-AI, Daya Guo, Dejian Yang, Haowei Zhang, Junxiao Song, Ruoyu Zhang, Runxin Xu, Qihao Zhu, Shirong Ma, Peiyi Wang, Xiao Bi, Xiaokang Zhang, Xingkai Yu, Yu Wu, Z. F. Wu, Zhibin Gou, Zhihong Shao, Zhuoshu Li, Ziyi Gao, Aixin Liu, Bing Xue, Bingxuan Wang, Bochao Wu, Bei Feng, Chengda Lu, Chenggang Zhao, Chengqi Deng, Chenyu Zhang, Chong Ruan, Damai Dai, Deli Chen, Dongjie Ji, Erhang Li, Fangyun Lin, Fucong Dai, Fuli Luo, Guangbo Hao, Guanting Chen, Guowei Li, H. Zhang, Han Bao, Hanwei Xu, Haocheng Wang, Honghui Ding, Huajian Xin, Huazuo Gao, Hui Qu, Hui Li, Jianzhong Guo, Jiashi Li, Jiawei Wang, Jingchang Chen, Jingyang Yuan, Junjie Qiu, Junlong Li, J. L. Cai, Jiaqi Ni, Jian Liang, Jin Chen, Kai Dong, Kai Hu, Kaige Gao, Kang Guan, Kexin Huang, Kuai Yu, Lean Wang, Lecong Zhang, Liang Zhao, Litong Wang, Liyue Zhang, Lei Xu, Leyi Xia, Mingchuan Zhang, Minghua Zhang, Minghui Tang, Meng Li, Miaojun Wang, Mingming Li, Ning Tian, Panpan Huang, Peng Zhang, Qiancheng Wang, Qinyu Chen, Qiushi Du, Ruiqi Ge, Ruisong Zhang, Ruizhe Pan, Runji Wang, R. J. Chen, R. L. Jin, Ruyi Chen, Shanghao Lu, Shangyan Zhou, Shanhuang Chen, Shengfeng Ye, Shiyu Wang, Shuiping Yu, Shunfeng Zhou, Shuting Pan, S. S. Li, Shuang Zhou, Shaoqing Wu, Shengfeng Ye, Tao Yun, Tian Pei, Tianyu Sun, T. Wang, Wangding Zeng, Wanjia Zhao, Wen Liu, Wenfeng Liang, Wenjun Gao, Wenqin Yu, Wentao Zhang, W. L. Xiao, Wei An, Xiaodong Liu, Xiaohan Wang, Xiaokang Chen, Xiaotao Nie, Xin Cheng, Xin Liu, Xin Xie, Xingchao Liu, Xinyu Yang, Xinyuan Li, Xuecheng Su, Xuheng Lin, X. Q. Li, Xiangyue Jin, Xiaojin Shen, Xiaosha Chen, Xiaowen Sun, Xiaoxiang Wang, Xinnan Song, Xinyi Zhou, Xianzu Wang, Xinxia Shan, Y. K. Li, Y. Q. Wang, Y. X. Wei, Yang Zhang, Yanhong Xu, Yao Li, Yao Zhao, Yaofeng Sun, Yaohui Wang, Yi Yu, Yichao Zhang, Yifan Shi, Yiliang Xiong, Ying He, Yishi Piao, Yisong Wang, Yixuan Tan, Yiyang Ma, Yiyuan Liu, Yongqiang Guo, Yuan Ou, Yuduan Wang, Yue Gong, Yuheng Zou, Yujia He, Yunfan Xiong, Yuxiang Luo, Yuxiang You, Yuxuan Liu, Yuyang Zhou, Y. X. Zhu, Yanhong Xu, Yanping Huang, Yaohui Li, Yi Zheng, Yuchen Zhu, Yunxian Ma, Ying Tang, Yukun Zha, Yuting Yan, Z. Z. Ren, Zehui Ren, Zhangli Sha, Zhe Fu, Zhean Xu, Zhenda Xie, Zhengyan Zhang, Zhewen Hao, Zhicheng Ma, Zhigang Yan, Zhiyu Wu, Zihui Gu, Zijia Zhu, Zijun Liu, Zilin Li, Ziwei Xie, Ziyang Song, Zizheng Pan, Zhen Huang, Zhipeng Xu, Zhongyu Zhang, Zhen Zhang•Jan 22, 2025•3485