Copertina

FinerWeb-10BT: Refining Web Data with LLM-Based Line-Level Filtering

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Henriksson, Erik, Tarkka, Otto, Ginter, Filip
Natura:	Preprint
Pubblicazione:	2025
Soggetti:	Computation and Language
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Hopes and Fears -- Emotion Distribution in the Topic Landscape of Finnish Parliamentary Speech 2000-2020
di: Ristilä, Anna, et al.
Pubblicazione: (2026)

Register Always Matters: Analysis of LLM Pretraining Data Through the Lens of Language Variation
di: Myntti, Amanda, et al.
Pubblicazione: (2025)

Finnish SQuAD: A Simple Approach to Machine Translation of Span Annotations
di: Nuutinen, Emil, et al.
Pubblicazione: (2025)

Ultra-FineWeb: Efficient Data Filtering and Verification for High-Quality LLM Training Data
di: Wang, Yudong, et al.
Pubblicazione: (2025)

AutoPureData: Automated Filtering of Undesirable Web Data to Update LLM Knowledge
di: Vadlapati, Praneeth
Pubblicazione: (2024)

OCR Error Post-Correction with LLMs in Historical Documents: No Free Lunches
di: Kanerva, Jenna, et al.
Pubblicazione: (2025)

Structure Retention in Embedding Spaces as a Predictor of Benchmark Performance
di: Myntti, Amanda, et al.
Pubblicazione: (2026)

WEPO: Web Element Preference Optimization for LLM-based Web Navigation
di: Liu, Jiarun, et al.
Pubblicazione: (2024)

Extracting Social Connections from Finnish Karelian Refugee Interviews Using LLMs
di: Laato, Joonatan, et al.
Pubblicazione: (2025)

The FineWeb Datasets: Decanting the Web for the Finest Text Data at Scale
di: Penedo, Guilherme, et al.
Pubblicazione: (2024)

LineRetriever: Planning-Aware Observation Reduction for Web Agents
di: Kerboua, Imene, et al.
Pubblicazione: (2025)

AI Planning Framework for LLM-Based Web Agents
di: Shahnovsky, Orit, et al.
Pubblicazione: (2026)

WebNovelBench: Placing LLM Novelists on the Web Novel Distribution
di: Lin, Leon, et al.
Pubblicazione: (2025)

Refining the Use of the Web (and Web Search) as a Language Teaching and Learning Resource
di: Wu, Shaoqun, et al.
Pubblicazione: (2009)

SocialQuotes: Learning Contextual Roles of Social Media Quotes on the Web
di: Palowitch, John, et al.
Pubblicazione: (2024)

Craw4LLM: Efficient Web Crawling for LLM Pretraining
di: Yu, Shi, et al.
Pubblicazione: (2025)

WebRL: Training LLM Web Agents via Self-Evolving Online Curriculum Reinforcement Learning
di: Qi, Zehan, et al.
Pubblicazione: (2024)

UXAgent: An LLM Agent-Based Usability Testing Framework for Web Design
di: Lu, Yuxuan, et al.
Pubblicazione: (2025)

DynaWeb: Model-Based Reinforcement Learning of Web Agents
di: Ding, Hang, et al.
Pubblicazione: (2026)

WebDS: An End-to-End Benchmark for Web-based Data Science
di: Hsu, Ethan, et al.
Pubblicazione: (2025)

Beyond Line-Level Filtering for the Pretraining Corpora of LLMs
di: Park, Chanwoo, et al.
Pubblicazione: (2025)

Measuring Social Integration Through Participation: Categorizing Organizations and Leisure Activities in the Displaced Karelians Interview Archive using LLMs
di: Laato, Joonatan, et al.
Pubblicazione: (2026)

Evaluating Cultural and Social Awareness of LLM Web Agents
di: Qiu, Haoyi, et al.
Pubblicazione: (2024)

FineWeb-zhtw: Scalable Curation of Traditional Chinese Text Data from the Web
di: Lin, Cheng-Wei, et al.
Pubblicazione: (2024)

Data-Constrained Synthesis of Training Data for De-Identification
di: Vakili, Thomas, et al.
Pubblicazione: (2025)

Web-Shepherd: Advancing PRMs for Reinforcing Web Agents
di: Chae, Hyungjoo, et al.
Pubblicazione: (2025)

Beyond Pixels: Exploring DOM Downsampling for LLM-Based Web Agents
di: Schiepanski, Thassilo M., et al.
Pubblicazione: (2025)

Semantic Search as Extractive Paraphrase Span Detection
di: Kanerva, Jenna, et al.
Pubblicazione: (2021)

LASER: LLM Agent with State-Space Exploration for Web Navigation
di: Ma, Kaixin, et al.
Pubblicazione: (2023)

Toward Generalized Cross-Lingual Hateful Language Detection with Web-Scale Data and Ensemble LLM Annotations
di: Dang, Dang H., et al.
Pubblicazione: (2026)

Matching Meaning at Scale: Evaluating Semantic Search for 18th-Century Intellectual History through the Case of Locke
di: Wu, Yu, et al.
Pubblicazione: (2026)

SCRIBES: Web-Scale Script-Based Semi-Structured Data Extraction with Reinforcement Learning
di: Liu, Shicheng, et al.
Pubblicazione: (2025)

WebWalker: Benchmarking LLMs in Web Traversal
di: Wu, Jialong, et al.
Pubblicazione: (2025)

WebMall -- A Multi-Shop Benchmark for Evaluating Web Agents
di: Peeters, Ralph, et al.
Pubblicazione: (2025)

WebExplorer: Explore and Evolve for Training Long-Horizon Web Agents
di: Liu, Junteng, et al.
Pubblicazione: (2025)

LiveWeb-IE: A Benchmark For Online Web Information Extraction
di: Yang, Seungbin, et al.
Pubblicazione: (2026)

Learning to Contextualize Web Pages for Enhanced Decision Making by LLM Agents
di: Lee, Dongjun, et al.
Pubblicazione: (2025)

VisualWebInstruct: Scaling up Multimodal Instruction Data through Web Search
di: Jia, Yiming, et al.
Pubblicazione: (2025)

AgentOccam: A Simple Yet Strong Baseline for LLM-Based Web Agents
di: Yang, Ke, et al.
Pubblicazione: (2024)

Are Finer Citations Always Better? Rethinking Granularity for Attributed Generation
di: Wang, Hexuan, et al.
Pubblicazione: (2026)