詳解ChatGPT數據集之謎

一些研究人員的報告稱，通用人工智能（AGI）可能是從我們當前的語言模型技術進行演進 ［1］，預訓練 Transformer 語言模型為 AGI 的發(fā)展鋪平了道路。雖然模型訓練數據集日漸增大，但缺乏基本指標文檔，包括數據集大小、數據集 token 數量和具體的內容細節(jié)。

盡管業(yè)內提出了數據集組成和整理文檔的標準 ［2］，但幾乎所有重點研究實驗室在揭示模型訓練數據集細節(jié)這方面都做得不夠。這里整合的研究涵蓋了 2018 年到 2022 年初從 GPT-1 到 Gopher 的精選語言模型的所有數據集（包括主要數據集：Wikipedia 和 Common Crawl）的綜合視圖。

1、概述

圖 1. 主要數據集大小的可視化匯總。未加權大小，以 GB 為單位。

2018 年以來，大語言模型的開發(fā)和生產使用呈現(xiàn)出爆炸式增長。一些重點研究實驗室報告稱，公眾對大語言模型的使用率達到了驚人高度。2021 年 3 月，OpenAI 宣布 ［3］ 其 GPT-3 語言模型被 “超過 300 個應用程序使用，平均每天能夠生成 45 億個詞”，也就是說僅單個模型每分鐘就能生成 310 萬詞的新內容。

值得注意的是，這些語言模型甚至還沒有被完全理解，斯坦福大學的研究人員 ［4］ 最近坦言，“目前我們對這些模型還缺乏認知，還不太了解這些模型的運轉模式、不知道模型何時會失效，更不知道這些模型的突現(xiàn)性（emergent properties）能產生什么效果”。

隨著新型 AI 技術的快速發(fā)展，模型訓練數據集的相關文檔質量有所下降。模型內部到底有什么秘密？它們又是如何組建的？本文綜合整理并分析了現(xiàn)代大型語言模型的訓練數據集。

因為這方面的原始文獻并不對外公開，所以本文搜集整合了二、三級研究資料，在必要的時候本文會采用假設的方式來推算最終結果。

在本文中，我們會將原始論文中已經明確的特定細節(jié)（例如 token 數量或數據集大?。w類為 “公開的（disclosed）” 數據，并作加粗處理。

多數情況下，適當地參考二、三級文獻，并采用假設的方式來確定最終結果是很有必要的。在這些情況下，token 數量和數據集大小等細節(jié)是 “確定的（determined）”，并以斜體標記。

模型數據集可分為六類，分別是：維基百科、書籍、期刊、Reddit 鏈接、Common Crawl 和其他數據集。

表 1. 主要數據集大小匯總。以 GB 為單位。公開的數據以粗體表示。確定的數據以斜體表示。僅原始訓練數據集大小。

1.1. 維基百科

維基百科是一個免費的多語言協(xié)作在線百科全書，由超過 300，000 名志愿者組成的社區(qū)編寫和維護。截至 2022 年 4 月，英文版維基百科中有超過 640 萬篇文章，包含超 40 億個詞 ［5］。維基百科中的文本很有價值，因為它被嚴格引用，以說明性文字形式寫成，并且跨越多種語言和領域。一般來說，重點研究實驗室會首先選取它的純英文過濾版作為數據集。

1.2. 書籍

故事型書籍由小說和非小說兩大類組成，主要用于訓練模型的故事講述能力和反應能力，數據集包括 Project Gutenberg 和 Smashwords （Toronto BookCorpus/BookCorpus） 等。

1.3. 雜志期刊

預印本和已發(fā)表期刊中的論文為數據集提供了堅實而嚴謹的基礎，因為學術寫作通常來說更有條理、理性和細致。這類數據集包括 ArXiv 和美國國家衛(wèi)生研究院等。

1.4. Reddit 鏈接

WebText 是一個大型數據集，它的數據是從社交媒體平臺 Reddit 所有出站鏈接網絡中爬取的，每個鏈接至少有三個贊，代表了流行內容的風向標，對輸出優(yōu)質鏈接和后續(xù)文本數據具有指導作用。

1.5. Common Crawl

Common Crawl 是 2008 年至今的一個網站抓取的大型數據集，數據包含原始網頁、元數據和文本提取，它的文本來自不同語言、不同領域。重點研究實驗室一般會首先選取它的純英文過濾版（C4）作為數據集。

1.6. 其他數據集

不同于上述類別，這類數據集由 GitHub 等代碼數據集、StackExchange 等對話論壇和視頻字幕數據集組成。

2、常用數據集

2019 年以來，大多數基于 Transformer 的大型語言模型 （LLM） 都依賴于英文維基百科和 Common Crawl 的大型數據集。在本節(jié)中，我們參考了 Jesse Dodge 和 AllenAI（AI2）［8］ 團隊的綜合分析，按類別對英文維基百科作了高級概述，并在 Common Crawl 數據集 ［7］ 的基礎上，用谷歌 C4 ［6］ （Colossal Clean Crawled Corpus） 在 Common Crawl 中提供了頂級域（domains）。

2.1. 維基百科（英文版）分析

下面按類別 ［9］ 列出了維基百科的詳細信息，涵蓋了 2015 年抽樣的 1001 篇隨機文章，研究人員注意到隨時間推移文章傳播的穩(wěn)定性。假設一個 11.4GB、經過清理和過濾的維基百科英文版有 30 億 token，我們就可以確定類別大小和 token。

表 2. 英文維基百科數據集類別。公開的數據以粗體表示。確定的數據以斜體表示。

2.2 Common Crawl 分析

基于 AllenAI （AI2） 的 C4 論文，我們可以確定，過濾后的英文 C4 數據集的每個域的 token 數和總體百分比，該數據集為 305GB，其中 token 數為 1560 億。

表 3. C4：前 23 個域（不包括維基百科）。公開的數據以粗體表示，確定的數據以斜體表示。

3、GPT-1 數據集

2018 年，OpenAI 發(fā)布了 1.17 億參數的 GPT-1。在論文中，OpenAI 并沒有公布模型訓練數據集的來源和內容 ［10］，另外，論文誤將‘BookCorpus’拼寫成了‘BooksCorpus’。BookCorpus 以作家未出版的免費書籍為基礎，這些書籍來自于 Smashwords，這是一個自稱為 “世界上最大的獨立電子書分銷商” 的電子書網站。這個數據集也被稱為 Toronto BookCorpus。經過幾次重構之后，BookCorpus 數據集的最終大小確定為 4.6GB ［11］。

2021 年，經過全面的回顧性分析，BookCorpus 數據集對按流派分組的書籍數量和各類書籍百分比進行了更正 ［12］。數據集中有關書籍類型的更多詳細信息如下：

表 4. BookCorpus 書籍類型。公開的數據以粗體表示，確定的數據以斜體表示。

在隨后的數據集重構中，BookCorpus 數據集進一步過濾掉了書籍中的 “吸血鬼” 類別、降低了言情類書籍的百分比、增加了 “歷史” 類書籍，增加了收集的書籍數量。

3.1. GPT-1 數據集總結

GPT-1 最終的數據集總結分析如下：

表 5.GPT-1 數據集總結。以 GB 為單位。公開的數據以粗體表示，確定的數據以斜體表示。

4、GPT-2 數據集

2019 年，OpenAI 發(fā)布了擁有 15 億參數的語言模型 GPT-2。GPT-2 論文闡明了所用訓練數據集的大小 ［13］，不過并未說明其內容。而 GPT-2 模型卡（model card）（在 GPT-2 GitHub 倉庫中）說明了模型內容 ［14］。

我們可以從 GPT-3 論文中得到 token 數量，該論文使用了 WebText 擴展版本來表示 190 億 token。據推測，2020 年推出的 WebText 擴展版本擁有 12 個月的額外數據（additional data），因此它可能比 2019 年推出的 GPT-2 版本大 25% 左右 ［15］。GPT-2 最終的 token 數量確定為 150 億左右。

如 GPT-2 論文所述，假設模型卡顯示鏈接數時，每個鏈接都可以被 4500 萬鏈接總數所除，那 WebText 的內容在數據集中所占的百分比的詳細信息就可以確定。

然后可以使用確定的 150 億 token 數量來查找每個域的 token 數量。請注意，在可用的前 1，000 個域中，此處僅顯示前 50 個域。

表 6. WebText： 前 50 個域。 公開的數據以粗體表示，確定的數據以斜體表示。

4.1. GPT-2 數據集總結

GPT-2 模型最終的數據集總結分析如下：

表 7. GPT-2 數據集總結。 公開的數據以粗體表示，確定的數據以斜體表示。

5、GPT-3 數據集

GPT-3 模型由 OpenAI 于 2020 年發(fā)布。論文闡明了所用訓練數據集的 token 數量 ［16］，但訓練數據集的內容和大小尚不清楚（Common Crawl 的數據集大小除外 ［17］）

表 8. GPT-3 數據集。 公開的數據以粗體表示，確定的數據以斜體表示。

5.1. GPT-3：關于 Books1 和 Books2 數據集的分析

特別值得關注的是，在 OpenAI 的 GPT-3 論文中，并未公開 Books1 數據集（120 億 token）和 Books2 數據集（550 億 token）的大小和來源。關于這兩個數據集的來源人們提出了幾個假設，包括來自 LibGen18 和 Sci-Hub 的類似數據集，不過這兩個數據集常以 TB 為計，大到無法匹配。

5.2. GPT-3：Books1

GPT-3 使用的 Books1 數據集不可能與 GPT-1 使用的 BookCorpus 數據集相同，原因在于 Books1 的數據集更大，達 120 億 token。在一篇引用的論文 ［19］ 中就提及 GPT-1 使用的 BookCorpus 數據集擁有 9.848 億個詞，但這可能只相當于 13 億 token（984.8 字 x 1.3 字的 token 乘數）。

通過標準化項目古騰堡語料庫（SPGC），Books1 有可能與古騰堡項目保持一致性。SPGC 是一種開放式科學方法，被用于古騰堡項目完整的 PG 數據的精選（curated）版本。SPGC 包含 120 億個 token ［20］，大約為 21GB ［21］。

5.3. GPT-3：Books2

Books2（550 億 token）可能與 Bibliotik 保持一致，并由 EleutherA 收集該來源的數據，組成數據集，使其成為 The Pile v1 的一部分。Bibliotik 版本為 100.96GB ［22］，其確定的 token 數僅為 250 億，低于 Books2 公開的 550 億。然而，使用 SPGC 的‘每字節(jié) token 數’比率（大約為 1:1.75），Bibliotik 的 token 數和大小將更接近于 Books2。

5.4. GPT-3 數據集總結

附錄 A 概述了使用 Wikipedia + CommonCrawl + WebText 數據集的頂級資源列表。GPT-3 模型的最終數據集總結分析如下：

表 9.GPT-3 數據集總結。公開的數據以粗體表示，確定的數據以斜體表示。

6、The Pile v1（GPT-J 和 GPT-NeoX-20B）數據集

The Pile v1 數據集由 EleutherAI 于 2021 年發(fā)布，該數據集已被用于訓練包括 GPT-J、GPT-NeoX-20B 在內的多種模型，并作為包括 MT-NLG 在內的其他模型的部分數據集。The Pile v1 論文闡明了所用訓練數據集的來源和大小。隨著 token 數量的增加，The Pile v1 論文應被用作未來數據集文檔的黃金標準。

有關 token 數量的更多詳情，可以使用本文提供的信息來確定，參見表 1（大小以 GB 為單位）和表 7（token / 每字節(jié)）［23］。

表 10. The Pile v1 數據集。公開的數據以粗體表示，確定的數據以斜體表示。

6.1. The Pile v1 分組數據集（Grouped Datasets）

為了確定如‘Books’、‘Journals’和‘CC’這類數據集的大小，筆者對數據集進行了分組，如下表所示。

表 11. The Pile v1 分組數據集（不包括 Wikipedia、CC 和 WebText）。公開的數據以粗體表示，確定的以斜體表示。

6.2. The Pile v1 數據集總結

The Pile v1 數據集與 GPT-J 和 GPT-NeoX-20B 模型的最終數據集總結分析如下：

表 12. Pile v1 數據集總結。 公開的數據以粗體表示，確定的數據以斜體表示。

7、Megatron-11B 和 RoBERTa 數據集

2019 年，Meta AI （當時稱之為 Facebook AI） 和華盛頓大學聯(lián)合發(fā)布了擁有 1.25 億參數的 RoBERTa 模型。次年，Meta AI 發(fā)布了擁有 110 億參數的 Megatron-11B 模型。Megatron-11B 使用的訓練數據集與 RoBERTa 相同。RoBERTa ［24］ 論文闡明了所用訓練數據集的內容，不過必須參考引用的論文 （BERT ［25］ 和 toryes ［26］） 來確定最終的數據集大小。

BookCorpus ： 確定的數據集為 4.6GB，如上面的 GPT-1 部分所示。

維基百科：公開的數據集為 “16GB（BookCorpus 加上英文維基百科）”。在減去 BookCorpus 數據集（4.6GB，如上面的 GPT-1 部分所述）后，維基百科數據集確定為 11.4GB。

CC-News ：（經過濾后）公開的數據集為 76GB。

OpenWebText ： 公開的數據集為 38GB。

Stories ： 公開的數據集為 31GB。請注意，此數據集是 “基于常識推理任務問題” 的 Common Crawl 內容，不屬于本文的‘Books’類別。相反，將 Stories 與 CC-News 數據集（76GB）相結合，Common Crawl 的總數據集則為 107GB。

7.1. Megatron-11B 和 RoBERTa 的數據集總結

Megatron-11B 和 RoBERTa 最終的數據集總結分析如下：

表 13. Megatron-11B 和 RoBERTa 的數據集總結。 公示的數據以粗體表示，確定的數據以斜體表示。

8、MT-NLG 數據集

2021 年，英偉達和微軟發(fā)布了擁有 5300 億參數的語言模型 MT-NLG。MT-NLG 是微軟 Turing NLG（擁有 170 億參數）和英偉達 Megatron-LM（擁有 83 億參數）的 “繼任者”。MT-NLG 論文闡明了所用訓練數據集的來源和 token 數量，不過沒有明確指出數據集的大小。

如前所述，有關數據集大小的更多詳情，可以使用 The Pile v1 論文中提供的信息來確定。雖然使用的組件相同，但注意的是，MT-NLG 和 The Pile v1 中報告的組件大小卻各不相同，這是由于來自 Eleuther AI （The Pile v1 數據集） 和 Microsoft/NVIDIA （MT-NLG 模型） 的研究人員采用了不同的數據過濾和去重方法。

8.1. MT-NLG 中的 Common Crawl 數據集

Pile-CC：公開的數據集為 498 億 token，確定的數據為 227.12GB 左右，參見上述 Pile v1 部分。

CC-2020-50： 公開的數據集為 687 億 token，假設 token 的每字節(jié)率（per byte rate）為 0.25 TpB=274.8GB。

CC-2021-04：公開的數據集為 826 億 token，假設 token 的每字節(jié)率為 0.25 TpB=330.4GB

RealNews（來自 RoBERTa/Megatron-11B）：顯示為 219 億 token。根據 RealNews 論文 ［27］，數據集確定為 120GB。

CC-Stories （來自 RoBERTa/Megatron-11B）：公開的數據集為 53 億 token，如上述 RoBERTa 部分所示，數據集確定為 31GB。

根據以上來源，可確認 Common Crawl 的總數據量為 983.32GB，共計 2283 億 token。

8.2. MT-NLG 分組數據集（Grouped Datasets）

表 14. MT-NLG 分組數據集。公開的數據以粗體表示，確定的數據以斜體表示。

8.3. MT-NLG 數據集總結

MT-NLG 模型最終的數據集總結分析如下：

表 15. MT-NLG 數據集總結。 公示的數據以粗體表示，確定的數據以斜體表示。

9、MT-NLG 數據集 Gopher 數據集

Gopher 模型由 DeepMind 于 2021 年發(fā)布，有 2800 億參數。該論文清楚地說明了所使用訓練數據集所包含的高級 token 數量和大小 ［28］，但沒有說明詳細內容。

表 16. 公開的 Gopher 數據集 （MassiveText）。公開的數據以粗體表述，確定的數據以斜體表示。

有趣的是，據 Gopher 論文披露：其 Books 數據集中包含一些超過 500 年歷史（1500-2008）的書籍。

9.1. MassiveWeb 數據集分析

DeepMind 于 2014 年被谷歌收購，并在創(chuàng)建 MassiveText 時獲得了海量數據。雖然 Gopher 論文中沒有進一步詳細描述 MassiveWeb，但第 44 頁附錄中的表 A3b 注明了 MassiveWeb 中出現(xiàn)的前 20 個域 ［29］。根據披露的每個域所占的百分比，我們可以使用 MassiveWeb 的總 token 數（5060 億 token）和總原始大?。?900GB）來確定每個域的 token 數量和大小。

表 17. MassiveWeb：前 20 個域。公開的數據以粗體表示，確定的數據以斜體表示。

9.2. Gopher：關于維基百科數據集的分析

維基百科數據集的總規(guī)模很難確定。在 Gopher 論文中，研究人員指出維基百科沒有進行數據去重 ［30］。然而，論文中列出的不同大小數據集（12.5GB MassiveWeb Wikipedia 與 1GB MassiveText Wikipedia）可能是由于失誤而造成的，誤將 “10GB” 寫成了 “1GB”。無論如何，本文僅使用 MassiveWeb 數據集版本 （12.5GB）。

9.3. Gopher： 不包括 WebText

Gopher 數據集的組成部分不包括 Reddit 外鏈的 WebText 數據集。為了清楚起見，盡管 Reddit 是 MassiveWeb 中的頂級域，但該數據集僅抓取 Reddit 域內的 Reddit 鏈接。根據定義，WebText ［31］ 由 “所有 Reddit 的外鏈” 組成（即指向 Reddit 域外的鏈接）。

9.4. Gopher 分組數據集

MassiveWeb 被認為是 MassiveText 的子組件，并被集成到 Gopher 的數據集匯總中，其分組基于以下列出的可用信息：

表 18. Gopher 分組數據集。公開的數據以粗體表示，確定的數據以斜體表示。

9.5. Gopher 數據集總結

Gopher 是本文中最大的數據集，大小為 10.5TB。Gopher 模型的最終數據集總結分析為：

表 19. Gopher 數據集總結。公開的數據以粗體表示，確定的數據以斜體表示。

10、結論

對于訓練當代 Transformer 大型語言模型的數據集而言，這可能是最全面的整合分析內容（截止 2022 年初）。在主要數據源不透明的情況下，本次研究主要從二級和三級來源收集數據，并經常需要假定來確定最終估計值。隨著研究人員要處理千萬億個 token（1，000 萬億）和數千 TB 的數據（1，000TB），確保詳細披露數據集組成的文檔變得越來越重要。

特別值得關注的是，基于大型語言模型的強大 AI 系統(tǒng)產生的冗長而匿名的輸出正在迅速發(fā)展，其中許多數據集的細節(jié)內容幾乎沒有文檔說明。

強烈建議研究人員使用突出顯示的 “數據集的數據表（Datasheet for Datasets）” 論文中提供的模板，并在記錄數據集時使用最佳實踐論文（即 Pile v1 論文，包括 token 數量）。數據集大?。℅B）、token 數量（B）、來源、分組和其他詳細信息指標均應完整記錄和發(fā)布。

隨著語言模型不斷發(fā)展并更廣泛地滲透到人們的生活中，確保數據集的詳細信息公開透明、所有人都可訪問且易于理解是有用、緊迫和必要的。

審核編輯 ：李倩