猫眼电影记者 关阳 报道w3u7903ejky2ywls

PreSelect团队 投稿量子位 | 公众号 QbitAI

vivo自研大模型用的数据筛选方法，公开了。

香港科技大学和vivo AI Lab联名提出PreSelect，目前已被ICML 2025接收。

这是一种轻量级且高效的数据选择方法：只需要训练和部署一个基于fastText的评分器，就可以减少10倍的计算需求。

该方法提出数据的预测强度(Predictive Strength) 的概念和计算公式，利用在不同模型上Loss有序性表征数据对特定能力的贡献，通过获取特定能力的有效样本训练fastText分类器对全量训练数据进行筛选。

△论文标题：Predictive Data Selection: The Data That Predicts Is the Data That Teaches

PreSelect：更客观、更轻量

现有的数据筛选方法主要分为两类：基于规则的筛选和基于模型的筛选。

基于规则的筛选依赖人工构建的先验规则，如C4 pipeline、Gopher rules，以及RefinedWeb和FineWeb的数据筛选流程。此类方法虽然实现简单，但容易受到人工经验的限制，存在泛化能力弱或规则主观性强的问题。

基于模型的筛选则通过训练模型对数据分类或打分以筛选样本，如CC Net采用困惑度（Perplexity）打分，FineWeb-Edu利用Bert分类器评估教育价值，DsDm和MATES计算样本的influence score，DCLM利用 fastText打分器评估样本与SFT数据的相似性。这类方法常面临计算成本高或者引入主观偏见等问题。

而PreSelect方法具有以下优势：

客观性将传统的主观性的数据质量评估转化为对模型能力的贡献大小，通过“预测强度”指标，量化评估数据在不同能力上的价值；泛化性筛选的正样本不仅覆盖高质量内容来源，同时具备良好的多样性，避免过度集中于某一领域、来源或风格；轻量级通过fastText分类器近似打分，大幅降低计算成本，使得该方法可以高效应用于大规模数据筛选任务中；高细粒度支持样本级别的筛选支持特定细分能力维度的数据筛选

△PreSelect方法与现有SOTA方法的对比，数据效率提升10倍

PreSelect：压缩即智能

“压缩即智能”（compression represents intelligence）这一观点揭示了一个核心现象：大模型对数据的压缩能力（例如BPC, bits per character）与其在该数据上的归一化Loss存在等价关系，且与模型在下游任务中的表现高度相关。

换言之，模型越能高效压缩数据，模型能力或智能水平越高。

核心思想

PreSelect团队提出以数据预测强度（Predictive Strength）作为衡量模型loss与下游任务（benchmark）表现一致性的指标，其计算公式如下：

N代表模型数量，这些模型在benchmark的得分 {S1 < S2 < … < SN}C代表模型在数据集d上的归一化loss，即BPCZ为归一化因子I{}为指示函数S取值范围 [0,1]

当S=1 时，表示不同模型在benchmark上的得分排序与其在该数据上的loss排序完全一致，说明该数据具有很高的预测强度；相反，当S=0时，说明两种排序之间没有相关性，该数据对下游任务的作用弱，预测强度很低。

根据预测强度的高低对数据进行筛选，优先保留那些使得不同模型在benchmark上的得分排序与在数据上的loss排序更一致的数据。

这类数据对模型能力的贡献更加显著，能够更有效地提升模型效果。

与现有方法相比，该方法具有更坚实的理论基础，减少了对人工启发规则的依赖，筛选过程更客观、更具有泛化性。

系统框架

计算预测强度需要多个模型分别对数据样本计算loss，全量数据计算的成本将非常高。

为解决这一问题，使用fastText打分器作为代理模型近似预测强度，从而显著降低计算成本。

整体流程如下：

训练效果

PreSelect团队从RefinedWeb数据集中随机抽取80B、300B和1T tokens作为基础数据，评估不同筛选方法的效果。筛选比例设置为10%和30%，筛选后的数据量级包括8B、30B、90B和100B。所训练模型的参数规模包括400M、1B和3B。

实验对比的筛选方法包括Random、Perplexity Filter、Perplexity Correlation（DD）、Perplexity Correlation（DP）、FineWeb-Edu、DCLM。

在下游17个任务上的实验结果表明，PreSelect方法筛选出的数据在训练的模型效果上显著优于其他方法，对比baseline平均提升了3%，验证了其有效性。

在C4数据集上，进一步对比多种主流筛选方法，包括Random、DSIR、DsDm、QuRating和MATES，所训练的模型为Pythia。

实验结果显示，PreSelect方法筛选的数据训练出的模型在多项指标上均优于其他方法。

从已通过人工规则集和多种质量评分模型筛选，并经过不同粒度的文本级和语义级去重的vivo自有Web数据集中，随机抽取5T tokens作为基础数据，分别采用PreSelect与Random方法各自筛选10%（即500B tokens），训练参数规模3B的模型并评估下游任务效果。

实验结果表明，即使在自有的经过优化处理的数据集上，PreSelect方法依然有显著的性能提升，展现出其在高质量数据基础上的增益能力。

经过对不同数据筛选方法所选择的样本进行分析，结果表明PreSelect筛选的domain数据更多地采样了知识、问答和文学领域，更广泛地覆盖了高质量来源内容，能够显著提升模型在各个领域的效果。

通过对不同数据筛选方法所筛选出的数据长度进行比较，可以看到DCLM 和FineWeb-Edu显示出明显的短数据向量和长数据向量趋势，而PreSelect筛选的数据在长度分布上更接近原始长度分布。表明其在筛选出高质量样本的同时，有效减少了样本长度偏差（length bias），具备更好的代表性与覆盖性。

论文链接：https://arxiv.org/abs/2503.00808

  时事1：原神涩涩❌❌视频网站

  05月19日,（文化新纪行）文物数字资源版权存争议 敦煌模式探新路,

　　石子陵举矛，还能说什么？唯有一战，黄金战矛周围出现一个又一个神符，如金属铸成，有一种冰冷的质感，环绕战矛，透发着无以伦比的神威。

,yy高清影院手机❤️理论。

  05月19日,龙年饰品走俏年货市场 ,

　　雨蒙忍着剧痛，断臂处闪烁符文，自己止血，而后开始“招供”，述说一切。当然，他自不会承认有大错，努力化解，更是想祸水东引。

,恋与深空18禁网站,笔盒beatbox在线观看入口,甘雨扒开胸罩👙给男生看。

  时事2：小心入视频的

  05月19日,春运将至 北京“的士之家”提供暖心服务,

　　三、游泳需到有资质的游泳场，而其必须要有组织，并在大人带领下方可去游泳。在游泳中如果突然觉得身体不舒服，如眩晕、恶心、心慌、气短等，要立即上岸休息或呼救。在游泳中，若小腿或脚部抽筋，千万不要惊慌，可用力蹬腿或做跳跃动作，或用力按摩、拉扯抽筋部位，同时呼叫同伴救助。

,男生男生里免费,伊莱脱了内裤打开腿让人桶,调教春药催乳改造bl双性文。

  05月19日,让历史文化遗存保护融入城市更新,

　　一念穿透荒宇，遨游太虚，筑起玄黄，横渡时间瀚海，无远弗届！

,汤唯被揉到高潮喷了一床小说,吴燕妮裸乳被爆❌白浆小说o,免费看韩国美女㊙️隐私。

  时事3：2022好看的电影

  05月19日,崔健林忆莲李宇春等歌手齐聚南京 唱响音乐节,

　　四、关于会议的贯彻

,wallpaper网站入口埃及猫,Futa♥XXX♥Hentailol,战恋雪 全文 笔趣阁。

  05月19日,大陆高校师生参访团参观沪尾炮台,

　　一名中年人点头，道：“近几年来，在这片广袤的大地上倒是出了几个超凡的孩子，在没有长辈陪同的情况下，横穿过十几万里大荒，激战各种凶禽猛兽，成功活着回到族中。”

,㓜交稀缺资源观看,三月七内裤湿透的解决方法,灭火宝贝成人版之灭掉火男。

  时事4：人妻岳乱婬HD

  05月19日,广西桂林：山水间奏响疗愈乐章,

　　4.油锅着火，不能泼水灭火，应直接盖上锅盖或用湿布覆盖，并关闭炉灶阀门。

,欧美sex湿激情XX❌❌❌漫画,潘金莲被躁120分钟视频,男男成人🔞高潮片。

  05月19日,云南省发布总林长令：坚决遏制森林火灾多发频发态势,

　　(二)动真来实，查摆问题。指出，找不出问题本身就是问题。各村(社区)两委班子真心诚意听取意见，带头查摆问题，紧紧抓住“照镜子、正衣冠、洗洗澡、治治病”的总要求，以谈认识、谈思想、查问题、找出路为切入点，聚焦“四风”，对照在党的群众路线教育实践活动第一批总结暨第二批部署工作会议上，罗列的乡镇(街道)和村(社区)存在7个问题，立足于从班子及跟人本身找问题、查根源、晒不足。组织群众有序参与活动的各个环节，切忌“自说自话、自弹自唱”，尤其要落实好“六必听”(工作对象和服务对象必听，基层干部和群众必听，离退休老同志必听，党外干部必听，本单位职工必听，困难多矛盾突出的地方必听)的要求，从活动一开始就要扎下去听取群众意见和建议，做到每个环节都组织群众有序参与，畅通群众反映意见的渠道，让群众监督和评议，充分调动群众参与活动的积极性，确保活动不虚、不偏、不走过场。查摆的问题找得越具体越好，绝不能笼而统之、大而化之，防止避重就轻、不痛不痒。

,无码学生粉嫩喷水高潮视频,PornJAV✅avhd,搜同大陆2025。