原始数据还得想办法。
一般厂商的数据来源主要有几个：除了出版物或特定行业资料，还要去互联网上收集。互联网资料也有不同来源——可以自己爬，各显神通，爬到什么算什么；也可以moncrawl。
commoncrawl是开源语料库，大模型时代的“数字公共图书馆”。它是个非营利组织，目标是“爬取和存档整个互联网”，并把数据免费提供给所有人。这个愿景很伟大，也确实帮到了很多人。
现在市面上做通用场景的大模型，有一个算一个，训练语料里一定包moncrawl，无非有的多些有的少些。
moncrawl的问题在于，它基本没有清洗，里面是互联网上各种各样的原始信息。
就拿中文互联网来说，上面最多的内容是什么？知识干货？生活小常识？人生感悟？感人的文学作品？
错了，是垃圾，各种各样的垃圾。
菠菜广告、瑟瑟广告、为优化搜索结果的重复关键词堆砌。
如果把这些东西当原料直接做模型，可以期待看到这样的场景。
你问它：“什么是大模型预训练？”
它回答：“近来大家都对大模型预训练很感兴趣，那么大模型预训练到底是什么呢？小编带大家看一看，看完真的惊呆了！到底该如何评价这件事情？欢迎在评论区留下你的看法！”
所以原料在用之前，先要经过复杂清洗。这也不是人工进行，一般会用传统基于规则的数据管线筛掉完全无用或有害的信息，再在剩余信息中去掉语意重复的内容。
至于怎么做，韩路一暂时没头绪，但没关系。
晚上问问视哥怎么看。
想到这，他拿出手机看了看时间，已经快六点了。
晚上【404寝室】又约了饭，是张浩然组织的。本来周末就想约，但韩路一为了和苏念念准备今天的董事会会议，拖到了今天。
张彪去机场还没回来，韩路一没坐地铁，奢侈了一把，自己叫了个车。
张浩然订的是一家烤鱼店，比他们的老地方烧烤摊档次高了不少。包厢门口挂了块实木牌子，写着“贵宾席”。
韩路一到时，张浩然已经坐在里面了。
两人正打招呼，马小飞也走了进来，手里举着大疆osmopocket4p，一边进门一边说：
“这个必须发，从烧烤摊到贵宾席，这是咱们寝室的成长纪录片。”