Archive: 2022 April

News
[Long Review] Deduplicating Training Data Makes Language Models Better
Tutorials

[長篇評論] 資料去重複使語言模型更優秀

資料去重複聽起來很無聊,直到你發現 C4 中單句 61 字的句子出現超過 60,000 次,以及在這樣語料庫訓練的語言模型會以令人不安的方式向使用者吐出訓練集文本的一部分

四月 16, 2022· 1 min read