Buchumschlag

Can Performant LLMs Be Ethical? Quantifying the Impact of Web Crawling Opt-Outs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Fan, Dongyang, Sabolčec, Vinko, Ansaripour, Matin, Tarun, Ayush Kumar, Jaggi, Martin, Bosselut, Antoine, Schlag, Imanol
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computation and Language Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

URLs Help, Topics Guide: Understanding Metadata Utility in LLM Training
von: Fan, Dongyang, et al.
Veröffentlicht: (2025)

Enhancing Multilingual LLM Pretraining with Model-Based Data Selection
von: Messmer, Bettina, et al.
Veröffentlicht: (2025)

Toward Cross-Lingual Quality Classifiers for Multilingual Pretraining Data Selection
von: Turki, Yassine, et al.
Veröffentlicht: (2026)

Positional Fragility in LLMs: How Offset Effects Reshape Our Understanding of Memorization Risks
von: Xu, Yixuan, et al.
Veröffentlicht: (2025)

Towards Fully FP8 GEMM LLM Training at Scale
von: Hernández-Cano, Alejandro, et al.
Veröffentlicht: (2025)

Revisiting Multilingual Data Mixtures in Language Model Pretraining
von: Foroutan, Negar, et al.
Veröffentlicht: (2025)

Benchmarking Concept-Spilling Across Languages in LLMs
von: Badanin, Ilia, et al.
Veröffentlicht: (2026)

LLaMa-SciQ: An Educational Chatbot for Answering Science MCQ
von: Allard, Marc-Antoine, et al.
Veröffentlicht: (2024)

Gabow's Cardinality Matching Algorithm in General Graphs: Implementation and Experiments
von: Ansaripour, Matin, et al.
Veröffentlicht: (2024)

FineWeb2: One Pipeline to Scale Them All -- Adapting Pre-Training Data Processing to Every Language
von: Penedo, Guilherme, et al.
Veröffentlicht: (2025)

Helpful to a Fault: Measuring Illicit Assistance in Multi-Turn, Multilingual LLM Agents
von: Talokar, Nivya, et al.
Veröffentlicht: (2026)

Personalized Collaborative Fine-Tuning for On-Device Large Language Models
von: Wagner, Nicolas, et al.
Veröffentlicht: (2024)

Towards an empirical understanding of MoE design choices
von: Fan, Dongyang, et al.
Veröffentlicht: (2024)

Deriving Activation Functions Using Integration
von: Huang, Allen Hao, et al.
Veröffentlicht: (2024)

Movie Recommendation using Web Crawling
von: Raj, Pronit, et al.
Veröffentlicht: (2024)

Hybrid Decentralized Optimization: Leveraging Both First- and Zeroth-Order Optimizers for Faster Convergence
von: Ansaripour, Matin, et al.
Veröffentlicht: (2022)

Approximate EFX and Exact tEFX Allocations for Indivisible Chores: Improved Algorithms
von: Afshinmehr, Mahyar, et al.
Veröffentlicht: (2024)

IDSIA/recurrent-fwp: v1.0.0 - Public Code Release
von: Kazuki Irie, et al.
Veröffentlicht: (2025)

Efficient Crawling for Scalable Web Data Acquisition (Extended Version)
von: Gauquier, Antoine, et al.
Veröffentlicht: (2026)

Web Page Classification using LLMs for Crawling Support
von: Sasazawa, Yuichi, et al.
Veröffentlicht: (2025)

TiMoE: Time-Aware Mixture of Language Experts
von: Faro, Robin, et al.
Veröffentlicht: (2025)

On-Device Collaborative Language Modeling via a Mixture of Generalists and Specialists
von: Fan, Dongyang, et al.
Veröffentlicht: (2024)

Quantifying Geospatial in the Common Crawl Corpus
von: Ilyankou, Ilya, et al.
Veröffentlicht: (2024)

Do LLMs Game Formalization? Evaluating Faithfulness in Logical Reasoning
von: Kim, Kyuhee, et al.
Veröffentlicht: (2026)

Neural Prioritisation for Web Crawling
von: Pezzuti, Francesca, et al.
Veröffentlicht: (2025)

Beyond URLs: Metadata Diversity and Position for Efficient LLM Pretraining
von: Fan, Dongyang, et al.
Veröffentlicht: (2025)

POLAR-Bench: A Diagnostic Benchmark for Privacy-Utility Trade-offs in LLM Agents
von: Zheng, Qiaoyuan, et al.
Veröffentlicht: (2026)

On the Effect of (Near) Duplicate Subwords in Language Modelling
von: Schäfer, Anton, et al.
Veröffentlicht: (2024)

Navigating Scaling Laws: Compute Optimality in Adaptive Model Training
von: Anagnostidis, Sotiris, et al.
Veröffentlicht: (2023)

Kollektivierung und Opt-Out
von: Hohlefelder, Olaf
Veröffentlicht: (2020)

Document Quality Scoring for Web Crawling
von: Pezzuti, Francesca, et al.
Veröffentlicht: (2025)

L'«ermeneutica della riforma nella continuità» A proposito dei libri di Ernst-Wolfgang Böckenförde, Martin Rhonheimer e Rudolf Uertz: tre tentativi di trovare un posto alla fede nella modernità
von: Martin Schlag
Veröffentlicht: (2010)

LLMs Are In-Context Bandit Reinforcement Learners
von: Monea, Giovanni, et al.
Veröffentlicht: (2024)

WikiMixQA: A Multimodal Benchmark for Question Answering over Tables and Charts
von: Foroutan, Negar, et al.
Veröffentlicht: (2025)

AbstRaL: Augmenting LLMs' Reasoning by Reinforcing Abstract Thinking
von: Gao, Silin, et al.
Veröffentlicht: (2025)

UnifiedCrawl: Aggregated Common Crawl for Affordable Adaptation of LLMs on Low-Resource Languages
von: Tessema, Bethel Melesse, et al.
Veröffentlicht: (2024)

Instruction-tuning Aligns LLMs to the Human Brain
von: Aw, Khai Loong, et al.
Veröffentlicht: (2023)

SFT-then-RL Outperforms Mixed-Policy Methods for LLM Reasoning
von: Limozin, Alexis, et al.
Veröffentlicht: (2026)

The Role of Language Imbalance in Cross-lingual Generalisation: Insights from Cloned Language Experiments
von: Schäfer, Anton, et al.
Veröffentlicht: (2024)

Understanding and Minimising Outlier Features in Neural Network Training
von: He, Bobby, et al.
Veröffentlicht: (2024)