RWKV 的训练数据集
RWKV 使用 World 系列训练数据集，包含全球一百多种语言。我们正在持续迭代 World 系列训练数据集，不断地提升数据集的规模和质量，使 RWKV 模型拥有强劲的多语言能力。
此章节简要介绍 RWKV World 系列数据集的数据组成、数据来源、数据量等信息。
RWKV 数据集概况
目前 World 数据集共有以下版本：
| 版本号 | 总数据量 | 对应的 RWKV 基底模型 |
|---|---|---|
| World v1 | 约 0.59T tokens | RWKV-4 系列（已淘汰） |
| World v2 | 约 1.1T tokens | RWKV-5 系列（已淘汰） |
| World v2.1 | 约 1.42T tokens | RWKV-6 系列 |
| World v2.8 | 从 World v3 中随机采样约 1T tokens | RWKV-7-World 0.1B |
| World v2.9 | 从 World v3 中随机采样约 2T tokens | RWKV-7-World 0.4B |
| World v3 | 约 3.1T tokens | RWKV-6-World 7B v3，RWKV-7-World 1.5B/2.9B |
| World v3.5 | 约 5.16T tokens | RWKV7-G1 1.5B/2.9B |
| World v3.7 | 收集整理中 | RWKV7-G1 7B/14B 和更大参数模型 |
RWKV7-G1 0.1B 从 World v3.5 数据集中随机采样 1T tokens 训练
RWKV7-G1 0.4B 从 World v3.5 数据集中随机采样 2T tokens 训练
各版本数据集的细节
秉持着“开源开放”的精神，我们在 RWKV 的架构论文中开源了 World 系列数据集的组成和来源。
前往论文查看：
- World v2 的详细介绍可以在 RWKV-5/6 论文的
Training Dataset Details板块中找到。 - World v2.1/v3 的详细介绍可以在 RWKV-7 论文的
Training Dataset Details板块中找到。
以下内容摘录于论文：
World v2 数据集
RWKV-6 的 v2 训练数据集涉及多个领域，具体包含以下内容：
脚注：
- 对于维基百科（Wikipedia），我们收集了截至 2023 年 4 月 1 日的所有语言版本，并对某些语言进行了随机子采样。
- 对于 StarCoder，我们仅使用了至少有 10 颗星的数据集。
- 对于 OSCAR23.01，我们仅使用非英语语言的部分，并对某些语言进行了随机子采样。
- 表示该数据的原始仓库链接已失效，但 RWKV 数据集仍在使用这部分数据
World v2.1 数据集
World v2.1 数据集基于 World v2 构建。相较于 v2 版本，v2.1 增加了下表中的数据：
| Dataset | Domain | Dataset | Domain |
|---|---|---|---|
| slimpajama C4 | Web | Llama-3-Magpie-Pro-1M-v0.1 | Align |
| dolma v1.6 (reddit only) | Forums | Magpie-Pro-MT-300K-v0.1 | Align |
| glaive-code-assistant-v3 | Code | Magpie-Air-MT-300K-v0.1 | Align |
| m-a-p_Code-Feedback | Code | Magpie-Qwen2-Pro-1M-v0.1 | Align |
| cosmopedia-v0.1 | Synthetic | Magpie-Phi3-Pro-300K-Filtered-v1 | Align |
| SystemChat-2.0 | Instruct | Magpie-Gemma2-Pro-200K-Filtered-v0.1 | Align |
| Tess-v1.5 | Instruct | ||
| UltraInteract_sft | Instruct |
脚注：
- 我们仅添加了 dolma v1.6 中的 reddit 数据集
- DM_math 作为 The Pile 的一部分存在于 World v2 中
- 表示该数据的原始仓库链接已失效，但 RWKV 数据集仍在使用这部分数据
World v3 数据集
World v3 数据集基于 World v2.1 数据集构建，更加全面，在覆盖领域、数据量和质量上都有显著提升。
新增数据如下表所示：
| Dataset | Domain | Dataset | Domain |
|---|---|---|---|
| REMOVED slimpajama parts | Web | StarCoder | Code |
| dclm-baseline-10-of-10 | Web | python-edu | Code |
| ccnews | Web | cosmopedia-v0.2 | Synthetic |
| fineweb-edu | Web Edu | WebInstructSub | Forums |
| TemplateGSM | Math | Buzz-v1.2 | Instruct |
| open-web-math | Math | SKGInstruct | Instruct |
| algebraic-stack | Math | FLAN | Instruct |
脚注：
- 我们从 World v3 的语料库中移除了 SlimPajama 的 CC 和 C4 部分。
- 对于 DCLM-baseline，我们仅保留了 global-shard_10_of_10。
- 对于 StarCoder，我们使用了全部的数据集，而非筛选 10 星以上的数据集。
World v3 数据集更加全面，覆盖领域更广的同时数据量更大，质量也更高。
World v3 数据集的具体数据类型和数据量配比：
| 类别 | Token 数（B） |
|---|---|
| 网络（Web） | 1945.2 |
| 图书（Books） | 337.2 |
| 代码（Code） | 258.4 |
| 科学与维基（Science & Wiki） | 222.7 |
| 小说（Fiction） | 192.6 |
| 聊天、问答与指令（Chat & QA & Instruction） | 110.0 |
| 数学（Math） | 32.3 |
| 法律与政府（Law & Government） | 19.0 |
| 诗歌与歌词（Poetry & Lyrics） | 1.7 |
| 总计 | 3119.2（3.1T tokens） |
这份文档对您有帮助吗？
意见反馈(可选)
联系方式(可选)