arXiv 研究长上下文数据选择：truncLongPPL 提升 Qwen2.5 长文本能力
原文标题：Which Long Documents Matter? A Controlled Study of Data Selection for Context Extension
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文在 Qwen2.5-3B 128K 上下文、6B token 训练预算下对比长文档选择策略，发现随机采样优于重打包，而按 LongPPL 关键 token 密度选文档可进一步提升。作者提出 truncLongPPL，仅用前半段打分即接近全段效果并提速 2.28 倍。在 HELMET、RULER 上分别领先随机采样 4.54 与 3.28 分，SFT 后在 LongBench v2 上亦有提升。
- 问题
- 长上下文训练中长文档选择流程效果不明，缺乏受控对比。
- 方法
- 在 Qwen2.5-3B 128K、6B token 预算下对比选择策略，提出 truncLongPPL 仅用前半段打分关键 token 密度。
- 结果
- 打分提速 2.28 倍；HELMET 领先随机采样 4.54 分、RULER 3.28 分，SFT 后 LongBench v2 亦有提升。
- 影响
- 给出低成本长文本数据筛选方案，可直接用于长上下文模型继续训练。
深读 · 结论先行AI 生成展开看要点与影响 ↓
truncLongPPL仅用前半段打分即接近全段效果，提速2.28倍并领先随机采样4.54分
- •在Qwen2.5-3B、128K上下文、6B token训练预算下做受控对比
- •随机采样自然长文档优于重打包；按LongPPL关键token密度选文档进一步提升
- •truncLongPPL只对参考跨度前半段打分，端到端打分提速2.28倍
- •验证集HELMET领先随机采样4.54分，留出RULER领先3.28分，检索类提升最稳定
- •256K目标上下文下RULER平均再高2.82分；混训场景提升1.47–7.31分，短上下文七任务平均差距在0.23分内
为什么重要：长上下文数据选择有了低成本可复现的基线，对做上下文扩展训练的团队可直接照搬流程。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。