第158章 我给你留了个位置 (2/7)

数据也分两块，原始数据和标注数据。

标注数据这块，靠着视界，韩路一已经拿到了世界顶尖的标注。

数量还不太够，但是肝一肝总会有的。

但是原始数据还得想办法。

一般的厂商数据来源主要有几个，除了那些出版物或者特定行业的资料，还要去互联网上收集资料。互联网的资料也有不同的来源：可以自己在互联网上爬一一这就是各显神通了，爬到什么算你的本事；也可以用monCrawl是开源的语料库，大模型时代的“数字公共图书馆”。

忽然，它是一个非营利组织，目标是“爬取和存档整个互联网”，并将这些数据免费提供给所有人。这个愿景很伟大，也确实帮助到了很多人。

现在市面上的大模型，做通用场景的，有一个算一个，训练语料里一定包含CommonCrawl，无非是有的多些有的少些。

但是CommonCrawl的问题是，它基本没有清洗，里面有互联网上各种各样的原始信息。就拿中文互联网来说吧，上面最多的内容是什么？知识干货？生活小常识？人生感悟？感人的文学作品错了，是垃圾，各种各样的垃圾。

如果把这些东西当原料直接去制作大模型，你可以期待会看到这样的场景。

你问它：“什么是大模型预训练？”

它回答：“近来大家都对大模型预训练很感兴趣，那么大模型预训练到底是什么呢？小编带大家看一看，看完真的惊呆了！到底该如何评价这件事情？欢迎在评论区留下你的看法！”

所以原料在用之前，先要经过复杂的清洗，这个也不是人工进行的，一般会用传统的基于规则的数据管线筛掉完全无用或有害的信息，然后在剩余的信息中进行去掉语意重复的内容。

对于怎么做，韩路一暂时还没头绪，但是没关系。

晚上问问视哥怎么看。

想到这，他拿出手机看了看时间，已经快六点了。

晚上【404寝室】又约了饭，是张浩然组织的。

本来周末就想约，但是韩路一为了和苏念念准备今天的董事会会议，拖到了今天。

张彪去机场还没回来，韩路一没去坐地铁，奢侈了一把，自己叫了个车。

与此同时，张浩然订的是一家烤鱼店，比他们的老地方烧烤摊档次高了不少，包厢门口挂了个实木牌子，写着「贵宾席」。

韩路一到的时候，张浩然已经坐在里面了。