Datasets for Large Language Models: A Comprehensive Surveyhttps://arxiv.org/pdf/2402.18041.pdf
论文探索了大型语言模型（LLM）数据集，它们在LLM的显著进步中扮演着至关重要的角色。数据集作为基础架构，类似于根系，支撑并培育LLM的发展。因此，对这些数据集的审查成为研究中的关键话题。为了解决目前缺乏对LLM数据集全面概述和深入分析的问题，并洞察它们的现状和未来趋势，从五个角度整合和分类了LLM数据集的基本方面：
（1）预训练语料库；
（2）指令微调数据集；
（3）偏好数据集；
（4）评估数据集；
（5）特定任务：传统的自然语言处理（NLP）数据集。
本篇综述的整体架构
论文还提供了现有可用数据集资源的全面回顾，包括来自444个数据集的统计数据，涵盖8种语言类别，跨越32个领域。从20个维度的信息被纳入数据集统计。调查的总数据量超过774.5 TB的预训练语料库和7亿实例的其他数据集。旨在呈现LLM文本数据集的整体景观，为该领域的研究人员提供全面的参考，并为未来的研究做出贡献。
一些代表性的大型语言模型（LLM）数据集的时间线。橙色代表预训练语料库，黄色代表指令微调数据集，绿色代表偏好数据集，粉色代表评估数据集
一、预训练语料库
预训练语料库是在大型语言模型（LLM）预训练过程中使用的大量文本数据集合。在所有类型的数据集中，预训练语料库的规模通常是最大的。在预训练阶段，LLM从大量未标记的文本数据中学习广泛的知识，这些知识随后被存储在其模型参数中。这使得LLM具备了一定程度的语言理解和生成能力。预训练语料库可以包含各种类型的文本数据，如网页、学术材料、书籍，同时也包括来自不同领域的相关文本，例如法律文件、年度财务报告、医学教科书以及其他特定领域的数据。根据预训练语料库涉及的领域，它们可以分为两种类型：第一种是通用预训练语料库，它包括来自不同领域和主题的大规模文本数据混合。数据通常包括来自互联网的文本内容，如新闻、社交媒体、百科全书等。其目标是为自然语言处理（NLP）任务提供通用的语言知识和数据资源。通用预训练语料库分类：网页、语言文本、书籍、学术材料、代码、平行语料库、社交媒体和百科全书。
通用预训练语料库信息部分总结。发布时间：“X”表示未知月份。公开与否：“All”表示完全开源；“Partial”表示部分开源；“Not”表示不开源。“许可证”表示该语料库遵循某种协议。如果该语料库是基于其他语料库构建的，那么源语料库的许可证也必须遵守。
第二种是特定领域的预训练语料库，它专门包含特定领域或主题的相关数据。其目的是为LLM提供专业知识。特定领域预训练语料库分类：金融、医疗、法律、交通、数学。
特定领域预训练语料库信息总结。公开与否：“All”表示完全开源；“Partial”表示部分开源。“许可证”表示该语料库遵循某种协议。如果该语料库是基于其他语料库构建的，那么源语料库的许可证也必须遵守。
论文还对14个代表性LLM的预训练语料库数据类型分布进行了统计分析。数据类型被归类为网页、对话数据、书籍与新闻、科学数据和代码等。
14个LLM使用的预训练语料库中数据类型的分布。每个饼图顶部显示LLM的名称，不同的颜色代表各种数据类型。
二、指令微调数据集
指令微调数据集由一系列文本对组成，包括“指令输入”和“答案输出”。“指令输入”代表人类对模型提出的请求，包括分类、摘要、改述等多种类型。“答案输出”是模型遵循指令后生成的响应，符合人类的期望。
构建指令微调数据集有四种方式：（1）手动创建（2）模型生成，例如使用Self-Instruct方法（3）收集和改进现有的开源数据集，以及（4）上述三种方法的结合。
指令微调数据集用于进一步微调预训练的LLM，使模型更好地理解和遵循人类指令。这个过程有助于缩小LLM的下一个词预测目标与遵循人类指令的目标之间的差距，从而增强LLM的能力和可控性。指令微调数据集可以分为两个主要类别：通用指令微调数据集和特定领域指令微调数据集。通用指令微调数据集包含多个领域的各种类型指令，旨在提高模型在广泛任务中的性能。通过微调，LLM可以更好地遵循通用指令。在特定领域指令微调数据集中，指令是专门为特定领域设计的。例如，医疗指令使模型能够学习和执行医疗诊断和医疗协助等任务。15个细分指令类别的总结：推理、数学、头脑风暴、封闭问答、开放问答、编码、提取、生成、重写、摘要、分类、翻译、角色扮演、社交规范以及其他。
三、偏好数据集
偏好数据集是一系列指令的集合，用于对同一指令输入的多个响应提供偏好评估。通常，它们由具有不同响应的指令对组成，以及来自人类或其他模型的反馈。这种设置反映了在给定任务或上下文中，人类或模型对不同响应的相对偏好。偏好数据集中的反馈信息通常通过投票、排序、评分或其他形式的比较表现出来。
不同的偏好评估方法的原理示意
偏好数据集主要用于大型模型的对齐阶段，旨在帮助使模型的输出更紧密地与人类偏好和期望对齐。与人类偏好的对齐体现在三个方面：实用性，即遵循指令的能力；诚实性，避免编造；安全性，避免生成非法或有害信息。RLHF和RLAIF（从AI反馈中学习的强化学习）都采用强化学习方法，使用反馈信号来优化模型。除了使用指令数据集进行微调外，还可以使用偏好数据集训练奖励模型。随后，可以根据奖励模型的反馈应用近端策略优化（PPO）算法进行进一步微调。
偏好数据集信息的总结。公开与否：“All”表示完全开源；“Partial”表示部分开源。“许可证”表示该数据集遵循某种协议。如果该数据集是基于其他数据集构建的，那么源数据集的许可证也必须遵守。
四、评估数据集
评估数据集是一组经过精心策划和注释的数据样本，用于评估LLM在各种任务上的表现。不同的评估数据集关注不同的评估方面，为不同模型提供客观的衡量标准。仅通过调整训练条件，包括预训练语料库、指令微调数据集和偏好数据集，LLM在相应评估数据集上的表现可以间接反映数据集的质量和有效性。这反过来有助于持续优化训练数据。112个评估数据集的20个评估类别：通用、考试、学科、自然语言理解（NLU）、推理、知识、长文本、工具、代理、代码、OOD（Out-Of-Distribution，分布外）、法律、医疗、金融、社交规范、事实性、评估、多任务、多语言以及其他。
评估数据集信息的总结。公开与否：“All”表示完全开源；“Partial”表示部分开源；“Not”表示不开源。“许可证”表示该数据集遵循某种协议。如果该数据集是基于其他数据集构建的，那么源数据集的许可证也必须遵守。
五、特定任务：传统的自然语言处理（NLP）数据集
与传统的指令微调数据集不同，将专门用于自然语言任务的文本数据集，在LLM广泛采用之前，归类为传统NLP数据集。这些数据集没有指令格式，专门为训练、优化和测试传统NLP模型而精心设计。由此产生的NLP模型应用于多种文本处理任务，包括文本分类、信息提取、文本摘要等。在当代LLM项目中，大量的传统NLP数据集得到应用。这些数据集扮演双重角色：首先，它们的格式和内容转变为LLM指令引导微调阶段的指令格式，增强模型遵循指令和在这些任务中表现出色；其次，它们作为LLM的评估数据集，使得可以比较不同LLM在自然语言任务上的表现。传统NLP数据集被系统地分类为15个不同的类别，与各种任务相对应。这些类别包括：问答、识别文本蕴含、数学、共指解析、情感分析、语义匹配、文本生成、文本翻译、文本摘要、文本分类、文本质量评估、文本转代码、命名实体识别、关系提取和多任务。传统自然语言处理（NLP）数据集中不同的NLP任务类别
在人工智能的广阔领域中，大型语言模型（LLMs）作为迅速增长的显著特征脱颖而出——类似于密集森林中的参天大树。滋养它们成长和发展的数据集可以比作这些树木至关重要的根系，为它们的表现提供必不可少的养分。遗憾的是，当前与LLM相关的数据集景观广泛，各种类型的数据集之间缺乏统一的综合。理解LLM数据集的现状和未来趋势是一个巨大的挑战。因此，论文提供了对LLM数据集的全面分析，从五个维度对与LLM相关的数据集进行分类和总结：预训练语料库、微调指令数据集、偏好数据集、评估数据集和传统NLP数据集。除了这种分类，还确定了当前的挑战，并概述了未来数据集发展的潜在方向，涵盖四个关键领域：预训练、微调指令、强化学习和模型评估。这份综述能够成为学术界和工业界的研究人员，以及从事LLM的新手和熟练实践者的宝贵参考点。未来不断完善LLM数据集，促进一个健壮和标准化的数据集生态系统的发展，以及支持LLM的持续进步。
立即咨询 JOTO
JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务，帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。 联系 JOTO 获取 AI 落地咨询
