最大的顶级数据集开源，HuggingFace排名第一，可创建15万亿Token_全球最大 ai开源 训练数据集 平台

去年 12 月，生成式 AI 公司 Petuum 以及穆罕默德·本·扎耶德人工智能大学（MBZUAI）共同推出了一个用于创建开源大型语言模型的项目 LLM360，旨在提高开源代码的透明度，公开整个 LLM 训练过程、代码、数据和最佳实践，以帮助开发人员更轻松、更快捷、更经济地创建开源大型语言模型，实现AI研究民主化。

这是一个雄心勃勃的项目，其价值随着时间的推移而增加。迄今，LLM360 已发布了 13 个开源模型，涵盖 K2 等四个大型语言模型系列，同时提供了模型检查点、代码、数据和模型开发的见解与具体细节，可以说做了360度全方位开源。

近期，该项目开源了一个庞大的完全清理过的预训练数据集 TxT360（万亿级提取文本），通过合并和去重 99 个 CommonCrawl 数据集和 14 个来自不同领域的高质量数据源（如FreeLaw、PG-19、StackExchange、Arxiv等）创建而成，这些数据来自法律、文学作品等领域。目前，TxT360 在 Hugging Face 上排名第一，击败了 22 万多个数据集（截至 2024 年 10 月 18 日）。

TxT360 专注于干净的数据和精确的控制，为 LLM 预训练者提供了开箱即用的丰富数据集，并提供了一个上采样配方（upsampling recipe），可创建超过 15 万亿个 token，足以训练最大的模型。

在多个关键指标上，TxT360 超越了同类数据集，同时存储了丰富的元数据，使预训练者能够对数据分布进行精确控制，从而探索更先进的权重调整技术。

要知道，大型语言模型需要万亿级的 token 数据，开发者通常通过组合多个不同数据集来创建这些数据。用于训练的数据集通常专注于一个来源，如爬取网页、代码库、论文或音频/视频转录，但往往包含与其他数据集重叠的数据。组合数据集、去重、消除低质量或错误数据，既耗时又在技术上具有挑战性。

LLM360 设计了一条全面的数据处理流水线，以创建第一个用于预训练的集成、去重和清理的数据集，结合了开发者最常用的数据源。生成的约 5 万亿个唯一 token 的语料库已经开源，并提供了创建综合数据集的详细步骤。因此，TxT360 对 LLM 开发者来说是一个巨大的礼物！

以下是 TxT360 项目的一些关键细节：

1. LLM360 是由 Petuum 和 MBZUAI 创建的开源大型语言模型项目、社区和不断发展的最佳实践及资源框架，现在隶属于该大学的基础模型研究所。该项目不仅分享其研究人员开发的模型和数据集，还分享详细的见解和方法论。

2. TxT360 数据集旨在通过提供大量高质量、多样化的数据来预训练大型语言模型。LLM360 研究人员设计了一个全面的数据处理流水线，用于清理数据并从 99 个 CommonCrawl 快照以及其他 14 个高质量来源中去除重复数据。

3. 研究人员还特别关注数据加权（即了解哪些数据更重要，或对创建良好数据集至关重要）。通过一个简单但有效的上采样方法，创建了一个超过 15 万亿个 token 的语料库，该语料库在多个关键指标上优于之前的最佳数据集 FineWeb 15T（https://huggingface.co/datasets/HuggingFaceFW/fineweb）。

4. TxT360中存储了丰富的元数据，使得预训练者能够更精确地控制数据分布，从而探索更先进的加权技术，这是之前预训练数据集中不常具备的功能。

5. LLM360记录了所有详细的步骤、决策理由、统计数据、代码（即将发布）、分析结果等，为 LLM 开发者提供了一种宝贵的资源。该项目还提供了迄今为止最详细的关于预训练数据集管理的技术博客。

6. TxT360 目前在 Hugging Face 的超过 22 万份数据集列表中排名第一。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【】或点击下方蓝色字 即可免费领取↓↓↓

👉2024最新版CSDN大礼包：《AGI大模型学习资源包》免费分享 )**