跳到主要内容Skip to main content

Models · Data · 预训练语料

DCLM-Baseline

从 Common Crawl 清洗,附 DCLM 过滤模型与消融报告;强调质量过滤,不是单纯扩量。

来源DataComp-LM / ML Foundations
规模4T tokens(1.0 基线)
语言英文
格式Parquet / JSONL
许可CC-BY-4.0(以数据集卡为准)
商用允许,需按许可署名
获取Hugging Face 直接下载
任务适配预训练 / 数据过滤消融
核验日2026-11-19

质量与偏差

从 Common Crawl 清洗,附 DCLM 过滤模型与消融报告;强调质量过滤,不是单纯扩量。

使用边界

网页语料仍有版权、噪声与重复;过滤模型会带入自身偏差,不能把过滤分当质量真值。

第一次使用

先拉 1–5 GB 抽样,跑语言识别、去重、毒性抽检,再决定是否进训练管线。

常见坑

把 DCLM 分数当通用质量真值;忽略 Common Crawl 的 robots 与来源条款。

成本

全量下载与训练成本高;抽样验证成本低。

不适合

不适合需要逐条授权证明的闭源商用语料。

对比与替代

与 FineWeb 同属网页预训练语料;DCLM 更强调过滤消融,FineWeb 提供教育向子集。

怎么验证

在数据集卡核对 1.0 版本、token 数与许可;抽 100 条看语言与正文质量。

下一步

  • 打开来源页,下载数据集卡与许可原文,确认版本与获取条件。
  • 先抽 100–500 条样本做质量、语言与敏感内容抽检,再决定是否进训练管线。
  • 如果用于 RAG 或 SFT,先读 RAG 语料怎么选 / SFT 数据怎么配比。
来源:https://huggingface.co/datasets/mlfoundations/dclm-baseline-1.0 · 核验日 2026-11-19 · 许可以来源页为准