★ 3
论文提出 TQS 框架，按轨迹质量筛选编程智能体数据
arXiv 论文提出 TQS（轨迹质量评分），直接从轨迹结构评估编程智能体交互质量，无需 LLM 评判且线性耗时。基于 15.5 万条成功轨迹筛选后微调，模型在 SWE-Bench-Verified 上优于随机或低分筛选。
arXiv cs.AI21 天前
#数据筛选
共 3 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 2
AQL-Lite 框架发布：低成本持续预训练提升阿拉伯语大模型
研究者提出 AQL-Lite 框架，通过高质量数据筛选与部分参数持续预训练，将多语言大模型适配到现代标准阿拉伯语。在 5B token 对比中，该方法以 52% 的实际耗时达到全参数持续预训练 94% 的增益。扩展至 40B token 后，12B 模型在 Open Arabic LLM Lead…
arXiv NLP10 天前
★ 2
研究：面向 LLM 预训练数据的主机感知网页爬取
论文研究爬虫如何在主机间与主机内分配预算以获取更多高质量预训练数据，发现约一半质量分类器分数差异来自主机之间。模拟显示，先用少量页面采样估计主机质量再加深爬取，比均匀深度或基于中心性的分配能多收集数倍高质量页面。
arXiv NLP21 天前