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oncrawl，无非是有的多些有的少些。
但是oncrawl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。
菠菜广告，瑟瑟广告，为了优化搜索结果的重复关键词堆砌。
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。
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。
两人正打着招呼，马小飞也走了进来，手里举着他的大疆osopocket4p，一边进门一边说：
“这个必须发，从烧烤摊到贵宾席，这是咱们寝室的成长纪录片。”
“你就不能进来先坐下？”张浩然说。
“艺术家需要随时记录，你不懂。”
“什么时候干自媒体也成艺术了。”张浩然吐槽。
“大概是抽象艺术吧。”韩路一补刀。
“笑吧笑吧，我上个月刚过二十万粉了。”马小飞不服气地说。
“二十万？”张浩然有点意外，“上