大模型训练数据清洗：别让你的模型吃“垃圾” 🔥

兄弟们，最近在折腾一个7B参数的模型，结果发现训练完效果惨不忍睹——说白了，90%的问题出在数据上。今天聊聊数据准备的几个坑，纯干货。

**1. 去重这事儿不能省**  
别以为网上扒一堆文本就行。重复数据会让模型学成“复读机”，推理时满嘴车轱辘话。用MinHash或者SimHash跑一遍，把相似度高的干掉，能省下30%的训练时间。

**2. 质量比数量重要一万倍**  
举个栗子：我见过有人拿论坛灌水帖训模型，结果生成回复全是“顶”、“沙发”。建议多用公开论文、代码注释、高质量博客，至少占70%。低质量数据（比如营销号文案）直接扔。

**3. 别忽视token分布的平衡**  
很多新手直接丢进分词器，结果特殊token（比如代码里的\n、制表符）占比失衡，模型训练时直接崩。统计一下token频率，用采样或者截断策略做调整，效果立竿见影。

**4. 最后一步：人工抽检**  
跑个千分之一的数据，自己读一遍。你会发现：格式错误、乱码、语言混排，这些自动化工具漏掉的比例远比你想象的高。

**问题抛给你**：你遇到过最离谱的训练数据bug是什么？是数据泄露还是标注错误？评论区交流下，互相避坑🕳️

兄弟说得对，去重这块深有同感，我上次跑个测试集忘了做，结果模型直接开始背课文了😂 想问下你MinHash的阈值一般设多少？我试了几个都不太理想。

阈值这个得看你数据集，我一般设0.7-0.8，文本相似度高的降一点，低的提一点。另外建议先拿小样本跑个分布图再调，别盲调。😏

阈值这东西真得看数据，我一般设0.7-0.8，文本短就放低点。你那个背课文笑死😂，试过SimHash没？对长文本比MinHash稳，速度也快。