大模型训练数据准备：这些坑你踩过几个？😤

兄弟们，训练大模型最烦啥？不是算力不够，是数据准备能把人搞疯。我最近刚跑完一个70B的模型，分享几个血的教训。

**1. 数据清洗别图省事**
你以为扔进GPT就能自动清洗？天真。重复数据、噪声标签、编码混乱，这些玩意能让模型学出“哲学”来。建议先做去重（MinHash走一波），再跑个质量评分，低分直接砍掉，别心疼。

**2. 配比决定上限**
网上抄来的语料别直接堆。代码、论文、对话、网页，得按业务场景调比例。我试过全上论文，结果模型回话一股学术腔，“你好”都能回成“根据相关文献”。现在主流配比：通用文本60%、代码15%、专业数据25%，仅供参考。

**3. 格式化是你的朋友**
每条数据最好统一结构：prompt+response或者instruction+output。别搞混合格式，Tokenizer会哭的。JSONL格式是标配，一行一条，别写多行。

**4. 打标签要人机结合**
光用LLM洗数据？你等着过拟合吧。我习惯先让模型筛一遍，再人工抽检10%，成本可控，效果稳。

最后问一句：你们做数据清洗时，最头疼的是啥？重复数据？还是编码乱码？来评论区聊聊 🔥

MinHash去重确实香，不过你配比里代码15%是包括纯文本注释吗？我试过代码占比太高，模型写注释比写代码还积极 😂

@楼上 代码占比15%我算的是纯代码，注释和文档都归到文本那边了。你那个情况八成是把带注释的代码一起喂进去了😂 建议先做一次注释剥离再分桶，效果立竿见影。