不过，看看过去半个月在群众眼里稍显窘迫的Meta的Galactica，以及Google紧急发布的Bard，就知道在短期内打造一个比肩甚至超越ChatGPT效果的模型没那么简单。
让很多人不免感到诧异的是，ChatGPT的核心算法Transformer最初是由Google提出的，并且在大模型技术上的积累可以说不弱于OpenAI，当然他们也不缺算力和数据，但为什么依然会被ChatGPT打的措手不及？
Meta首席AI科学家YannLeCun最近抨击ChatGPT的名言实际上解释了背后的门道。他说，ChatGPT“只是巧妙的组合而已”，这句话恰恰道出了一种无形的技术壁垒。
简单来说，即使其他团队的算法、数据、算力都准备的与OpenAI相差无几，但就是没想到以一种精巧的方式把这些元素组装起来，没有OpenAI，全行业不知道还需要去趟多少坑。
即使OpenAI给出了算法上的一条路径，后来者想复现ChatGPT，算力、工程、数据，每一个要素都需要非常深的积累。七龙珠之中，算力是自由流通的商品，花钱可以买到，工程上有OneFlow这样的开源项目和团队，因此，对互联网大厂之外的团队来说，剩下最大的挑战在于高质量训练数据集。
好在，互联网上总有热心的牛人分析技术的细枝末节，从杂乱的资料中串联起蛛丝马迹，从而归纳出非常有价值的信息。
作者｜AlanD.Thompson
OneFlow编译
翻译｜杨婷、徐佳渝、贾川
一些研究人员的报告称，通用人工智能（AGI）可能是从我们当前的语言模型技术进行演进[1]，预训练Transformer语言模型为AGI的发展铺平了道路。虽然模型训练数据集日渐增大，但缺乏基本指标文档，包括数据集大小、数据集token数量和具体的内容细节。
1
概述
2018年以来，大语言模型的开发和生产使用呈现出爆炸式增长。一些重点研究实验室报告称，公众对大语言模型的使用率达到了惊人高度。2021年3月，OpenAI宣布[3]其GPT-3语言模型被“超过300个应用程序使用，平均每天能够生成45亿个词”，也就是说仅单个模型每分钟就能生成310万词的新内容。
值得注意的是，这些语言模型甚至还没有被完全理解，斯坦福大学的研究人员[4]最近坦言，“目前我们对这些模型还缺乏认知，还不太了解这些模型的运转模式、不知道模型何时会失效，更不知道这些模型的突现性（emergentproperties）能产生什么效果”。
因为这方面的原始文献并不对外公开，所以本文搜集整合了二、三级研究资料，在必要的时候本文会采用假设的方式来推算最终结果。
在本文中，我们会将原始论文中已经明确的特定细节（例如token数量或数据集大小）归类为“公开的（disclosed）”数据，并作加粗处理。
多数情况下，适当地参考二、三级文献，并采用假设的方式来确定最终结果是很有必要的。在这些情况下，token数量和数据集大小等细节是“确定的（determined）”，并以斜体标记。
模型数据集可分为六类，分别是：维基百科、书籍、期刊、Reddit链接、CommonCrawl和其他数据集。
表1.主要数据集大小汇总。以GB为单位。公开的数据以粗体表示。确定的数据以斜体表示。仅原始训练数据集大小。
1.1.维基百科
1.2.书籍
故事型书籍由小说和非小说两大类组成，主要用于训练模型的故事讲述能力和反应能力，数据集包括ProjectGutenberg和Smashwords(TorontoBookCorpus/BookCorpus)等。
1.3.杂志期刊
预印本和已发表期刊中的论文为数据集提供了坚实而严谨的基础，因为学术写作通常来说更有条理、理性和细致。这类数据集包括ArXiv和美国国家卫生研究院等。
1.4.Reddit链接
WebText是一个大型数据集，它的数据是从社交媒体平台Reddit所有出站链接网络中爬取的，每个链接至少有三个赞，代表了流行内容的风向标，对输出优质链接和后续文本数据具有指导作用。
1.5.CommonCrawl
CommonCrawl是2008年至今的一个网站抓取的大型数据集，数据包含原始网页、元数据和文本提取，它的文本来自不同语言、不同领域。重点研究实验室一般会首先选取它的纯英文过滤版（C4）作为数据集。
1.6.其他数据集
不同于上述类别，这类数据集由GitHub等代码数据集、StackExchange等对话论坛和视频字幕数据集组成。
2
常用数据集
2019年以来，大多数基于Transformer的大型语言模型(LLM)都依赖于英文维基百科和CommonCrawl的大型数据集。在本节中，我们参考了JesseDodge和AllenAI（AI2）[8]团队的综合分析，按类别对英文维基百科作了高级概述，并在CommonCrawl数据集[7]的基础上，用谷歌C4[6](ColossalCleanCrawledCorpus)在CommonCrawl中提供了顶级域（domains）。
2.1.维基百科（英文版）分析
表2.英文维基百科数据集类别。公开的数据以粗体表示。确定的数据以斜体表示。
2.2CommonCrawl分析
基于AllenAI(AI2)的C4论文，我们可以确定，过滤后的英文C4数据集的每个域的token数和总体百分比，该数据集为305GB，其中token数为1560亿。
表3.C4：前23个域（不包括维基百科）。公开的数据以粗体表示，确定的数据以斜体表示。
3
GPT-1数据集
2021年，经过全面的回顾性分析，BookCorpus数据集对按流派分组的书籍数量和各类书籍百分比进行了更正[12]。数据集中有关书籍类型的更多详细信息如下：
表4.BookCorpus书籍类型。公开的数据以粗体表示，确定的数据以斜体表示。
在随后的数据集重构中，BookCorpus数据集进一步过滤掉了书籍中的“吸血鬼”类别、降低了言情类书籍的百分比、增加了“历史”类书籍，增加了收集的书籍数量。
3.1.GPT-1数据集总结
GPT-1最终的数据集总结分析如下：
表5.GPT-1数据集总结。以GB为单位。公开的数据以粗体表示，确定的数据以斜体表示。
4
GPT-2数据集
2019年，OpenAI发布了拥有15亿参数的语言模型GPT-2。GPT-2论文阐明了所用训练数据集的大小[13]，不过并未说明其内容。而GPT-2模型卡（modelcard）（在GPT-2GitHub仓库中）说明了模型内容[14]。
我们可以从GPT-3论文中得到token数量，该论文使用了WebText扩展版本来表示190亿token。据推测，2020年推出的WebText扩展版本拥有12个月的额外数据（additionaldata），因此它可能比2019年推出的GPT-2版本大25%左右[15]。GPT-2最终的token数量确定为150亿左右。
如GPT-2论文所述，假设模型卡显示链接数时，每个链接都可以被4500万链接总数所除，那WebText的内容在数据集中所占的百分比的详细信息就可以确定。
然后可以使用确定的150亿token数量来查找每个域的token数量。请注意，在可用的前1,000个域中，此处仅显示前50个域。
表6.WebText:前50个域。公开的数据以粗体表示，确定的数据以斜体表示。
4.1.GPT-2数据集总结
GPT-2模型最终的数据集总结分析如下：
表7.GPT-2数据集总结。公开的数据以粗体表示，确定的数据以斜体表示。
5
GPT-3数据集
GPT-3模型由OpenAI于2020年发布。论文阐明了所用训练数据集的token数量[16]，但训练数据集的内容和大小尚不清楚（CommonCrawl的数据集大小除外[17]）
表8.GPT-3数据集。公开的数据以粗体表示，确定的数据以斜体表示。
5.1.GPT-3：关于Books1和Books2数据集的分析
5.2.GPT-3：Books1
GPT-3使用的Books1数据集不可能与GPT-1使用的BookCorpus数据集相同，原因在于Books1的数据集更大，达120亿token。在一篇引用的论文[19]中就提及GPT-1使用的BookCorpus数据集拥有9.848亿个词，但这可能只相当于13亿token（984.8字x1.3字的token乘数）。
5.3.GPT-3：Books2
5.4.GPT-3数据集总结
附录A概述了使用Wikipedia+CommonCrawl+WebText数据集的顶级资源列表。GPT-3模型的最终数据集总结分析如下：
表9.GPT-3数据集总结。公开的数据以粗体表示，确定的数据以斜体表示。
6
ThePilev1（GPT-J和GPT-NeoX-20B）数据集
有关token数量的更多详情，可以使用本文提供的信息来确定，参见表1（大小以GB为单位）和表7（token/每字节）[23]。
表10.ThePilev1数据集。公开的数据以粗体表示，确定的数据以斜体表示。
6.1.ThePilev1分组数据集（GroupedDatasets）
为了确定如‘Books’、‘Journals’和‘CC’这类数据集的大小，笔者对数据集进行了分组，如下表所示。
表11.ThePilev1分组数据集（不包括Wikipedia、CC和WebText）。公开的数据以粗体表示，确定的以斜体表示。
6.2.ThePilev1数据集总结
ThePilev1数据集与GPT-J和GPT-NeoX-20B模型的最终数据集总结分析如下：
表12.Pilev1数据集总结。公开的数据以粗体表示，确定的数据以斜体表示。
7
Megatron-11B和RoBERTa数据集
2019年，MetaAI(当时称之为FacebookAI)和华盛顿大学联合发布了拥有1.25亿参数的RoBERTa模型。次年，MetaAI发布了拥有110亿参数的Megatron-11B模型。Megatron-11B使用的训练数据集与RoBERTa相同。RoBERTa[24]论文阐明了所用训练数据集的内容，不过必须参考引用的论文(BERT[25]和toryes[26])来确定最终的数据集大小。
BookCorpus：确定的数据集为4.6GB，如上面的GPT-1部分所示。
维基百科：公开的数据集为“16GB（BookCorpus加上英文维基百科）”。在减去BookCorpus数据集（4.6GB，如上面的GPT-1部分所述）后，维基百科数据集确定为11.4GB。
CC-News：（经过滤后）公开的数据集为76GB。
OpenWebText:公开的数据集为38GB。
Stories:公开的数据集为31GB。请注意，此数据集是“基于常识推理任务问题”的CommonCrawl内容，不属于本文的‘Books’类别。相反，将Stories与CC-News数据集（76GB）相结合，CommonCrawl的总数据集则为107GB。
7.1.Megatron-11B和RoBERTa的数据集总结
Megatron-11B和RoBERTa最终的数据集总结分析如下：
表13.Megatron-11B和RoBERTa的数据集总结。公示的数据以粗体表示，确定的数据以斜体表示。
8
MT-NLG数据集
如前所述，有关数据集大小的更多详情，可以使用ThePilev1论文中提供的信息来确定。虽然使用的组件相同，但注意的是，MT-NLG和ThePilev1中报告的组件大小却各不相同，这是由于来自EleutherAI(ThePilev1数据集)和Microsoft/NVIDIA(MT-NLG模型)的研究人员采用了不同的数据过滤和去重方法。
8.1.MT-NLG中的CommonCrawl数据集
Pile-CC：公开的数据集为498亿token，确定的数据为227.12GB左右，参见上述Pilev1部分。
CC-2020-50:公开的数据集为687亿token，假设token的每字节率（perbyterate）为0.25TpB=274.8GB。
CC-2021-04：公开的数据集为826亿token，假设token的每字节率为0.25TpB=330.4GB。
RealNews（来自RoBERTa/Megatron-11B）：显示为219亿token。根据RealNews论文[27]，数据集确定为120GB。
CC-Stories(来自RoBERTa/Megatron-11B)：公开的数据集为53亿token，如上述RoBERTa部分所示，数据集确定为31GB。
8.2.MT-NLG分组数据集（GroupedDatasets）
表14.MT-NLG分组数据集。公开的数据以粗体表示，确定的数据以斜体表示。
8.3.MT-NLG数据集总结
MT-NLG模型最终的数据集总结分析如下：
表15.MT-NLG数据集总结。公示的数据以粗体表示，确定的数据以斜体表示。
9
MT-NLG数据集Gopher数据集
Gopher模型由DeepMind于2021年发布，有2800亿参数。该论文清楚地说明了所使用训练数据集所包含的高级token数量和大小[28]，但没有说明详细内容。
表16.公开的Gopher数据集(MassiveText)。公开的数据以粗体表述，确定的数据以斜体表示。
有趣的是，据Gopher论文披露：其Books数据集中包含一些超过500年历史（1500-2008）的书籍。
9.1.MassiveWeb数据集分析
表17.MassiveWeb：前20个域。公开的数据以粗体表示，确定的数据以斜体表示。
9.2.Gopher：关于维基百科数据集的分析
维基百科数据集的总规模很难确定。在Gopher论文中，研究人员指出维基百科没有进行数据去重[30]。然而，论文中列出的不同大小数据集（12.5GBMassiveWebWikipedia与1GBMassiveTextWikipedia）可能是由于失误而造成的，误将“10GB”写成了“1GB”。无论如何，本文仅使用MassiveWeb数据集版本(12.5GB)。
9.3.Gopher:不包括WebText
Gopher数据集的组成部分不包括Reddit外链的WebText数据集。为了清楚起见，尽管Reddit是MassiveWeb中的顶级域，但该数据集仅抓取Reddit域内的Reddit链接。根据定义，WebText[31]由“所有Reddit的外链”组成（即指向Reddit域外的链接）。
9.4.Gopher分组数据集
MassiveWeb被认为是MassiveText的子组件，并被集成到Gopher的数据集汇总中，其分组基于以下列出的可用信息：
表18.Gopher分组数据集。公开的数据以粗体表示，确定的数据以斜体表示。
9.5.Gopher数据集总结
Gopher是本文中最大的数据集，大小为10.5TB。Gopher模型的最终数据集总结分析为：
表19.Gopher数据集总结。公开的数据以粗体表示，确定的数据以斜体表示。
10
结论
随着语言模型不断发展并更广泛地渗透到人们的生活中，确保数据集的详细信息公开透明、所有人都可访问且易于理解是有用、紧迫和必要的。
ThePilev1paperGao,L.,Biderman,S.,Black,S.,Golding,L.,Hoppe,T.,&Foster,C.etal.(2021).ThePile:An800GBDatasetofDiverseTextforLanguageModeling.
AppendixA:Top50Resources:Wikipedia+CC+WebText(i.e.GPT-3)
附录A：前50个资源：Wikipedia+CC+WebText（即GPT-3）
基于本文内容，尤其是每个数据集中每个资源的token数量，我们可以对将Wikipedia+CommonCrawl+WebText数据集的组合，作为其整体训练数据集的一部分模型进行资源或域的排序。为清楚起见，这包括以下模型：OpenAIGPT-3、EleutherAIGPT-J、EleutherAIGPT-NeoX-20B、MetaAIMegatron-11B和RoBERTA，以及Microsoft/NVIDIAMT-NLG等。
请注意，展示的排名基于数据集中可用的未加权总token，每个数据集的主观权重由研究人员在模型预训练之前计算得出。其中有一些重复（例如，《纽约时报》既出现在有1.11亿token的WebText中，也出现在过滤后有1亿token的CommonCrawl中）。
脚注
10.GPT-1paper:pp4“WeusetheBooksCorpusdatasetfortrainingthelanguagemodel.”
13.GPT-2paper:pp3“我们从社交媒体平台Reddit中抓取了至少有3个karma的所有出站链接。这可以被认为是一个启发式指标，用于判断其他用户是否觉得该链接有趣、有教育意义或只是有趣……WebText包含这4500万个链接的文本子集……其中不包括2017年12月之后创建的链接。经过去重和一些基于启发式的清理后，其中包含大约超过800万个文档，总共40GB文本。我们从WebText中移除了所有维基百科文档...”
15.GPT-3paper:“WebText2：190亿token。[Alan：WebText2是从WebText稍微扩展而来，所以我们可以减去20%，得到150亿token]”
16.GPT-2paper:pp3“GPT-3:pp9,Table2.2“CC:4100亿token.WebText2:190亿token.Books1:120亿token.Books2:550亿token.Wiki:30亿token”
17.GPT-3paper:pp8
18.BookCorpusrepo:soskek/bookcorpus#27:“books3.tar.gz似乎类似于OpenAI在他们的论文中引用的神秘“books2”数据集。不幸的是，OpenAI不会提供细节，所以我们对其差异知之甚少。人们怀疑它是“libgen的全部”，但这纯粹是猜测。尽管如此，books3仍是“所有的bibliotik”......”
22.ThePilev1paper:“Books3（Bibliotiktracker）：100.96GB”[Alan：乘以每字节token数0.2477=250亿token]
23.ThePilev1paper:pp3,Table1fordatasets.pp28,Table7forTokensperbyte.
30.Gopherpaper:pp41n14“请注意，我们将文档去重应用于除Wikipedia和GitHub之外的所有MassiveText子集“
31.GPT-2paper,pp3.
关于作者
AlanD.Thompson博士是人工智能专家、顾问。在2021年8月的世界人才大会（WorldGiftedConference）上，Alan与Leta（由GPT-3提供支持的AI）共同举办了一场名为“Thenewirrelevanceofintelligence”的研讨会。他的应用型人工智能研究和可视化成果受到了国际主要媒体的报道，同时还在2021年12月牛津大学有关AI伦理的辩论中被引用。他曾担任门萨国际（MensaInternational）主席、通用电气（GE）和华纳兄弟（WarnerBros）顾问，也曾是电气与电子工程师协会（IEEE）和英国工程技术学会（IET）会员。