Datasets, Documents, and Repetitions: The Practicalities of Unequal Data Quality
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Fang, Alex, Pouransari, Hadi, Jordan, Matt, Toshev, Alexander, Shankar, Vaishaal, Schmidt, Ludwig, Gunter, Tom |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
MobileCLIP2: Improving Multi-Modal Reinforced Training
par: Faghri, Fartash, et autres
Publié: (2025)
par: Faghri, Fartash, et autres
Publié: (2025)
Dataset Decomposition: Faster LLM Training with Variable Sequence Length Curriculum
par: Pouransari, Hadi, et autres
Publié: (2024)
par: Pouransari, Hadi, et autres
Publié: (2024)
Pre-trained Language Models Do Not Help Auto-regressive Text-to-Image Generation
par: Zhang, Yuhui, et autres
Publié: (2023)
par: Zhang, Yuhui, et autres
Publié: (2023)
TiC-CLIP: Continual Training of CLIP Models
par: Garg, Saurabh, et autres
Publié: (2023)
par: Garg, Saurabh, et autres
Publié: (2023)
TiC-LM: A Web-Scale Benchmark for Time-Continual LLM Pretraining
par: Li, Jeffrey, et autres
Publié: (2025)
par: Li, Jeffrey, et autres
Publié: (2025)
OLMoASR: Open Models and Data for Training Robust Speech Recognition Models
par: Ngo, Huong, et autres
Publié: (2025)
par: Ngo, Huong, et autres
Publié: (2025)
Pretraining with hierarchical memories: separating long-tail and common knowledge
par: Pouransari, Hadi, et autres
Publié: (2025)
par: Pouransari, Hadi, et autres
Publié: (2025)
DataComp-LM: In search of the next generation of training sets for language models
par: Li, Jeffrey, et autres
Publié: (2024)
par: Li, Jeffrey, et autres
Publié: (2024)
Reusing Pre-Training Data at Test Time is a Compute Multiplier
par: Fang, Alex, et autres
Publié: (2025)
par: Fang, Alex, et autres
Publié: (2025)
MobileCLIP: Fast Image-Text Models through Multi-Modal Reinforced Training
par: Vasu, Pavan Kumar Anasosalu, et autres
Publié: (2023)
par: Vasu, Pavan Kumar Anasosalu, et autres
Publié: (2023)
Language Models Improve When Pretraining Data Matches Target Tasks
par: Mizrahi, David, et autres
Publié: (2025)
par: Mizrahi, David, et autres
Publié: (2025)
Recycling the Web: A Method to Enhance Pre-training Data Quality and Quantity for Language Models
par: Nguyen, Thao, et autres
Publié: (2025)
par: Nguyen, Thao, et autres
Publié: (2025)
Large Scale Transfer Learning for Tabular Data via Language Modeling
par: Gardner, Josh, et autres
Publié: (2024)
par: Gardner, Josh, et autres
Publié: (2024)
Repetition Improves Language Model Embeddings
par: Springer, Jacob Mitchell, et autres
Publié: (2024)
par: Springer, Jacob Mitchell, et autres
Publié: (2024)
Language models scale reliably with over-training and on downstream tasks
par: Gadre, Samir Yitzhak, et autres
Publié: (2024)
par: Gadre, Samir Yitzhak, et autres
Publié: (2024)
CLIP with Quality Captions: A Strong Pretraining for Vision Tasks
par: Vasu, Pavan Kumar Anasosalu, et autres
Publié: (2024)
par: Vasu, Pavan Kumar Anasosalu, et autres
Publié: (2024)
FairFlow: Mitigating Dataset Biases through Undecided Learning
par: Cheng, Jiali, et autres
Publié: (2025)
par: Cheng, Jiali, et autres
Publié: (2025)
Repetitions are not all alike: distinct mechanisms sustain repetition in language models
par: Mahaut, Matéo, et autres
Publié: (2025)
par: Mahaut, Matéo, et autres
Publié: (2025)
QuRating: Selecting High-Quality Data for Training Language Models
par: Wettig, Alexander, et autres
Publié: (2024)
par: Wettig, Alexander, et autres
Publié: (2024)
MedDec: A Dataset for Extracting Medical Decisions from Discharge Summaries
par: Elgaar, Mohamed, et autres
Publié: (2024)
par: Elgaar, Mohamed, et autres
Publié: (2024)
Watermarking Needs Input Repetition Masking
par: Khachaturov, David, et autres
Publié: (2025)
par: Khachaturov, David, et autres
Publié: (2025)
FocalLens: Instruction Tuning Enables Zero-Shot Conditional Image Representations
par: Hsieh, Cheng-Yu, et autres
Publié: (2025)
par: Hsieh, Cheng-Yu, et autres
Publié: (2025)
Antislop: A Comprehensive Framework for Identifying and Eliminating Repetitive Patterns in Language Models
par: Paech, Samuel, et autres
Publié: (2025)
par: Paech, Samuel, et autres
Publié: (2025)
Resolving Discrepancies in Compute-Optimal Scaling of Language Models
par: Porian, Tomer, et autres
Publié: (2024)
par: Porian, Tomer, et autres
Publié: (2024)
GATES: Self-Distillation under Privileged Context with Consensus Gating
par: Stein, Alex, et autres
Publié: (2026)
par: Stein, Alex, et autres
Publié: (2026)
Prompt Repetition Improves Non-Reasoning LLMs
par: Leviathan, Yaniv, et autres
Publié: (2025)
par: Leviathan, Yaniv, et autres
Publié: (2025)
Mitigating the Language Mismatch and Repetition Issues in LLM-based Machine Translation via Model Editing
par: Wang, Weichuan, et autres
Publié: (2024)
par: Wang, Weichuan, et autres
Publié: (2024)
Learning to Reason for Hallucination Span Detection
par: Su, Hsuan, et autres
Publié: (2025)
par: Su, Hsuan, et autres
Publié: (2025)
FictionalQA: A Dataset for Studying Memorization and Knowledge Acquisition
par: Kirchenbauer, John, et autres
Publié: (2025)
par: Kirchenbauer, John, et autres
Publié: (2025)
Retrieval Backward Attention without Additional Training: Enhance Embeddings of Large Language Models via Repetition
par: Duan, Yifei, et autres
Publié: (2025)
par: Duan, Yifei, et autres
Publié: (2025)
Large Language Models as Generalizable Policies for Embodied Tasks
par: Szot, Andrew, et autres
Publié: (2023)
par: Szot, Andrew, et autres
Publié: (2023)
The Data-Quality Illusion: Rethinking Classifier-Based Quality Filtering for LLM Pretraining
par: Saada, Thiziri Nait, et autres
Publié: (2025)
par: Saada, Thiziri Nait, et autres
Publié: (2025)
Beyond a Single Extractor: Re-thinking HTML-to-Text Extraction for LLM Pretraining
par: Li, Jeffrey, et autres
Publié: (2026)
par: Li, Jeffrey, et autres
Publié: (2026)
EqualizeIR: Mitigating Linguistic Biases in Retrieval Models
par: Cheng, Jiali, et autres
Publié: (2025)
par: Cheng, Jiali, et autres
Publié: (2025)
HuCurl: Human-induced Curriculum Discovery
par: Elgaar, Mohamed, et autres
Publié: (2023)
par: Elgaar, Mohamed, et autres
Publié: (2023)
BigDocs: An Open Dataset for Training Multimodal Models on Document and Code Tasks
par: Rodriguez, Juan, et autres
Publié: (2024)
par: Rodriguez, Juan, et autres
Publié: (2024)
Olmix: A Framework for Data Mixing Throughout LM Development
par: Chen, Mayee F., et autres
Publié: (2026)
par: Chen, Mayee F., et autres
Publié: (2026)
Mutual Reinforcement of LLM Dialogue Synthesis and Summarization Capabilities for Few-Shot Dialogue Summarization
par: Lu, Yen-Ju, et autres
Publié: (2025)
par: Lu, Yen-Ju, et autres
Publié: (2025)
LayerIF: Estimating Layer Quality for Large Language Models using Influence Functions
par: Askari, Hadi, et autres
Publié: (2025)
par: Askari, Hadi, et autres
Publié: (2025)
Easy Dataset: A Unified and Extensible Framework for Synthesizing LLM Fine-Tuning Data from Unstructured Documents
par: Miao, Ziyang, et autres
Publié: (2025)
par: Miao, Ziyang, et autres
Publié: (2025)
Documents similaires
-
MobileCLIP2: Improving Multi-Modal Reinforced Training
par: Faghri, Fartash, et autres
Publié: (2025) -
Dataset Decomposition: Faster LLM Training with Variable Sequence Length Curriculum
par: Pouransari, Hadi, et autres
Publié: (2024) -
Pre-trained Language Models Do Not Help Auto-regressive Text-to-Image Generation
par: Zhang, Yuhui, et autres
Publié: (2023) -
TiC-CLIP: Continual Training of CLIP Models
par: Garg, Saurabh, et autres
Publié: (2023) -
TiC-LM: A Web-Scale Benchmark for Time-Continual LLM Pretraining
par: Li, Jeffrey, et autres
Publié: (2025)