使用场景

研究人员使用DCLM创建了DCLM-BASELINE数据集，并用其训练模型，展现出与封闭源模型和其他开源数据集相比的优越性能。

DCLM 支持在不同规模上训练模型，例如400M-1x和7B-2x，以适应不同的计算需求。

社区成员通过提交模型到DCLM的排行榜，展示了在不同数据集和规模上训练的模型性能。

产品特色

提供超过300T未过滤的CommonCrawl语料库

基于open_lm框架提供有效的预训练配方

提供超过50种评估方法来评估模型性能

支持从411M到7B参数模型的不同计算规模

允许研究人员实验不同的数据集构建策略

通过优化数据集设计提高模型性能

使用教程

克隆DCLM仓库到本地

安装所需的依赖项

设置AWS存储和Ray分布式处理环境

选择原始数据源并创建引用JSON

定义数据处理步骤并创建pipeline配置文件

设置Ray集群并运行数据处理脚本

将处理后的数据tokenize和shuffle

使用tokenized数据集运行模型训练脚本

评估训练好的模型并提交结果到DCLM排行榜