全新数据筛选方案，数据效率提升10倍！配置仅需fastText评分器

PreSelect团队 投稿
量子位 | 公众号 QbitAI

vivo自研大模型用的数据筛选方法，公开了。

香港科技大学和vivo AI Lab联名提出PreSelect，目前已被ICML 2025接收。

这是一种轻量级且高效的数据选择方法：只需要训练和部署一个基于fastText的评分器，就可以减少10倍的计算需求。

该方法提出数据的预测强度(Predictive Strength) 的概念和计算公式，利用在不同模型上Loss有序性表征数据对特定能力的贡献，通过获取特定能力的有效样本训练fastText分类器对全量训练数据进行筛选。

△论文标题：Predictive Data Selection: The Data That Predicts Is the Data That Teaches

PreSelect：更客观、更轻量

现有的数据筛选方法主要分为两类：基于规则的筛选和基于模型的筛选。

基于规则的筛选依赖人工构建的先验规则，如C4 pipeline、Gopher rules，以及RefinedWeb和FineWeb的数据筛选流程。此类方法虽然实现简单，但容易受到人工经验的限制，存在泛化能力弱或规则主观性强的问题。

基于模型的筛选则通过训练模型对数据分类或打分以筛选样本，如CC Net采用困惑度（Perplexity）打分，FineWeb-Edu利用Bert分类器评估教育价值，DsDm和MATES计算样本的influence score，DCLM利用 fastText打分器评估样本与SFT数据的相似性。这类方法常面临计算成本高或者引入主观偏见等问题。

而PreSelect方法具有以下优势：

• 客观性
• 将传统的主观性的数据质量评估转化为对模型能力的贡献大小，通过“预测强度”指标，量化评估数据在不同能力上的价值；
• 泛化性
• 筛选的正样本不仅覆盖高质量内容来源，同时具备良好的多样性，避免过度集中于某一领域、来源或风格；
• 轻量级
• 通过fastText分类器近似打分，大幅降低计算成本，使得该方法可以高效应用于大规模数据筛选任务中；
• 高细粒度
• 支持样本级别的筛选
• 支持特定细分能力维度的数据筛选

△PreSelect方法与现有SOTA方法的对比，数据效率提升10倍

PreSelect：压缩即智能

“压缩即智能”（compression represents intelligence）这一观点揭示了一个核心现象：大模型对数据的压缩能力（例如BPC, bits per character）与其在该数据上的归一化Loss存在等价关系，且与模型在下游任务中的表现高度相关。

换言之，模型越能高效压缩数据，模型能力或智能水平越高。

核心思想

PreSelect团队提出以数据预测强度（Predictive Strength）作为衡量模型loss与下游任务（benchmark）表现一致性的指标，其计算公式如下：

• N代表模型数量，这些模型在benchmark的得分 {S1 < S2 < … < SN}
• C代表模型在数据集d上的归一化loss，即BPC
• Z为归一化因子
• I{}为指示函数
• S取值范围 [0,1]

当S=1 时，表示不同模型在benchmark上的得分排序与其在该数据上的loss排序完全一致，说明该数据具有很高的预测强度；相反，当S=0时，说明两种排序之间没有相关性，该数据对下游任务的作用弱，预测强度很低。

根据预测强度的高低对数据进行筛选，优先保留那些使得不同模型在benchmark上的得分排序与在数据上的loss排序更一致的数据。

这类数据对模型能力的贡献更加显著，能够更有效地提升模型效果。

与现有方法相比，该方法具有更坚实的理论基础，减少了对人工启发规则的依赖，筛选过程更客观、更具有泛化性。

系统框架

计算预测强度需要多个模型分别对数据样本计算loss，全量数据计算的成本将非常高。

为解决这一问题，使用fastText打分器作为代理模型近似预测强度，从而显著降低计算成本。

整体流程如下：

训练效果

PreSelect团队从RefinedWeb数据集中随机抽取80B、300B和1T tokens作为基础数据，评估不同筛选方法的效果。筛选比例设置为10%和30%，筛选后的数据量级包括8B、30B、90B和100B。所训练模型的参数规模包括400M、1B和3B。

实验对比的筛选方法包括Random、Perplexity Filter、Perplexity Correlation（DD）、Perplexity Correlation（DP）、FineWeb-Edu、DCLM。

在下游17个任务上的实验结果表明，PreSelect方法筛选出的数据在训练的模型效果上显著优于其他方法，对比baseline平均提升了3%，验证了其有效性。

在C4数据集上，进一步对比多种主流筛选方法，包括Random、DSIR、DsDm、QuRating和MATES，所训练的模型为Pythia。

实验结果显示，PreSelect方法筛选的数据训练出的模型在多项指标上均优于其他方法。

从已通过人工规则集和多种质量评分模型筛选，并经过不同粒度的文本级和语义级去重的vivo自有Web数据集中，随机抽取5T tokens作为基础数据，分别采用PreSelect与Random方法各自筛选10%（即500B tokens），训练参数规模3B的模型并评估下游任务效果。

实验结果表明，即使在自有的经过优化处理的数据集上，PreSelect方法依然有显著的性能提升，展现出其在高质量数据基础上的增益能力。

经过对不同数据筛选方法所选择的样本进行分析，结果表明PreSelect筛选的domain数据更多地采样了知识、问答和文学领域，更广泛地覆盖了高质量来源内容，能够显著提升模型在各个领域的效果。

通过对不同数据筛选方法所筛选出的数据长度进行比较，可以看到DCLM 和FineWeb-Edu显示出明显的短数据向量和长数据向量趋势，而PreSelect筛选的数据在长度分布上更接近原始长度分布。表明其在筛选出高质量样本的同时，有效减少了样本长度偏差（length bias），具备更好的代表性与覆盖性。

论文链接：https://arxiv.org/abs/2503.00808