在噪聲污染嚴(yán)重影響預(yù)訓(xùn)練數(shù)據(jù)的質(zhì)量時(shí)，如何能夠高效且精細(xì)地精煉數(shù)據(jù)？

中科院計(jì)算所與阿里Qwen等團(tuán)隊(duì)聯(lián)合提出RefineX，一個(gè)通過程序化編輯任務(wù)實(shí)現(xiàn)大規(guī)模、精準(zhǔn)預(yù)訓(xùn)練數(shù)據(jù)精煉的新框架。

其核心優(yōu)勢(shì)在于：將專家指導(dǎo)的高質(zhì)量端到端優(yōu)化結(jié)果，蒸餾為極簡的基于編輯操作的刪除程序。

通過這一高精度蒸餾流程，可以訓(xùn)練出高效可靠的優(yōu)化模型（refine model），系統(tǒng)地優(yōu)化語料中的每個(gè)實(shí)例。

在高效精煉數(shù)據(jù)的同時(shí)，可靠地保留原始文本的多樣性和自然性。

用RefineX凈化后的20B token數(shù)據(jù)訓(xùn)練750M模型時(shí)，其在常識(shí)推理、科學(xué)問答等10項(xiàng)任務(wù)的平均得分達(dá)到44.7，較原始數(shù)據(jù)提升7.2%。

大模型的預(yù)訓(xùn)練數(shù)據(jù)

預(yù)訓(xùn)練數(shù)據(jù)的質(zhì)量直接決定了模型的知識(shí)深度與推理能力上限。

當(dāng)互聯(lián)網(wǎng)成為海量訓(xùn)練數(shù)據(jù)的來源，噪聲污染也隨之而來——植入的廣告、破碎的HTML標(biāo)簽、無意義的亂碼等，不僅降低數(shù)據(jù)效用，更可能引發(fā)模型幻覺。

然而，大規(guī)模的去除這些噪聲來提升預(yù)訓(xùn)練數(shù)據(jù)的質(zhì)量是十分困難的，因?yàn)橥瑫r(shí)要兼顧兩個(gè)要素：

• 高效：由于數(shù)據(jù)規(guī)模龐大，精煉必須能夠高效低成本的進(jìn)行
• 可靠：精煉應(yīng)該最大化的保留有價(jià)值信息，并不引入額外的模型或人工偏好而破壞原始數(shù)據(jù)的本質(zhì)。

傳統(tǒng)數(shù)據(jù)精煉方案主要集中于規(guī)則過濾和端到端重寫。但是，規(guī)則過濾（如C4/Gopher）只能文檔級(jí)粗篩選擇，誤傷高價(jià)值內(nèi)容，且無法做到字符級(jí)的精準(zhǔn)修正；端到端重寫盡管重寫質(zhì)量高，但推理成本極高，無法應(yīng)用于大規(guī)模數(shù)據(jù)。

更危險(xiǎn)的是，端到端重寫過程常擅自修改術(shù)語與句式從而引入模型偏好的不可控性，如：

原始： “Climate change[廣告] impacts the environment”重寫： “Climate change impacts ecosystems” # 篡改關(guān)鍵術(shù)語

而RefineX框架受ProX等新興工作的啟發(fā)，選擇了一條新的去噪路徑：

上圖展示了基于程序的精煉流程，以及ProX和RefineX中精煉模型的訓(xùn)練數(shù)據(jù)構(gòu)建比較。

ProX的限制在于直接訓(xùn)練來自專家輸出的噪聲精煉程序，復(fù)雜的prompt組合極大增加了這項(xiàng)任務(wù)的生成難度，從而降低蒸餾數(shù)據(jù)質(zhì)量。

而RefineX在蒸餾數(shù)據(jù)的處理上進(jìn)行了創(chuàng)新，將蒸餾數(shù)據(jù)的構(gòu)建結(jié)構(gòu)分為兩個(gè)明確的階段：首先執(zhí)行端到端精煉，然后通過將精煉后的文本與原始文本進(jìn)行比較來生成更可靠的監(jiān)督程序。

這個(gè)兩階段過程產(chǎn)生了顯著更可靠的監(jiān)督，有效消除了生成過程中引入的過度編輯風(fēng)險(xiǎn)，最終生成一個(gè)更有效且更魯棒的精煉模型。

高效可靠的規(guī)模化精煉

上圖展示了RefineX的核心工作流程。

RefineX的目標(biāo)是降低專家模型直接生成用于蒸餾的精煉程序難度，同時(shí)盡可能保留端到端輸出中的有效精煉操作。

為實(shí)現(xiàn)這兩個(gè)目標(biāo)，RefineX首先在精心設(shè)計(jì)的指令下提示專家模型生成高質(zhì)量的精煉文本。然后，將精煉文本與原始輸入進(jìn)行比較，基于最小編輯距離提取可靠的刪除操作序列。

這些操作被轉(zhuǎn)換為預(yù)定義的程序函數(shù)集，作為可信的監(jiān)督信息來訓(xùn)練緊湊的精煉模型。

訓(xùn)練完成后，模型通過推理生成可靠的精煉程序，隨后執(zhí)行這些程序以高效地在語料庫中執(zhí)行細(xì)粒度精煉。

為徹底規(guī)避模型偏好帶來的新增內(nèi)容或者過度修改的風(fēng)險(xiǎn)，僅保留精煉過程中的刪除操作，RefineX限制程序函數(shù)為刪行、刪字符、保留全部。上面是具體的函數(shù)定義。

“只刪不改”可以很好得保護(hù)原始文本，使拼寫偏差等非關(guān)鍵缺陷得以保留——它們將在預(yù)訓(xùn)練中被數(shù)十萬億token自然中和，而不會(huì)污染數(shù)據(jù)的多樣性本質(zhì)。

另外，RefineX使用最小編輯距離算法來捕獲原文本和端到端精煉后文本的差異，并過濾非法的插入和替換操作以及低質(zhì)量數(shù)據(jù)，將可靠的刪除操作與預(yù)定義好的函數(shù)對(duì)齊，和原文本組成文本-程序?qū)?/span>用于優(yōu)化模型的訓(xùn)練。

RefineX使用動(dòng)態(tài)分塊機(jī)制來保持長上下文的內(nèi)容捕獲，提升模型的長上下文處理能力。

論文使用Qwen2.5-72B-Instruct模型作為專家模型進(jìn)行端到端精煉，消耗萬卡小時(shí)來處理得到大約200萬個(gè)高質(zhì)量蒸餾樣本，用于訓(xùn)練0.6B的Qwen-3-Base模型作為優(yōu)化模型。

較小的參數(shù)量可以實(shí)現(xiàn)較高的推理速度保證精煉的高效性，嚴(yán)謹(jǐn)?shù)恼麴s數(shù)據(jù)處理方法保證了優(yōu)化模型的可靠性。

從頭預(yù)訓(xùn)練實(shí)驗(yàn)

為了評(píng)估優(yōu)化數(shù)據(jù)對(duì)模型性能的影響，RefinX團(tuán)隊(duì)使用每種方法優(yōu)化后的語料庫，從頭開始預(yù)訓(xùn)練不同規(guī)模的LLMs，并在下游任務(wù)中評(píng)估它們。

結(jié)果顯示，盡管在不同任務(wù)中表現(xiàn)最佳的變體可能來自不同的數(shù)據(jù)源，RefineX在每個(gè)單獨(dú)的任務(wù)上都取得了最佳結(jié)果。

當(dāng)用RefineX凈化后的20Btoken數(shù)據(jù)訓(xùn)練750M模型時(shí)，其在常識(shí)推理、科學(xué)問答等10項(xiàng)任務(wù)的平均得分達(dá)到44.7，比原始數(shù)據(jù)提高了+7.2%，比Comb提高了+5.9%，甚至比最強(qiáng)的先前細(xì)粒度改進(jìn)方法Prox-C還要高+2.6%。

在數(shù)據(jù)效率的改善上，模型使用10B凈化token的表現(xiàn)超越其使用20B傳統(tǒng)過濾數(shù)據(jù)的性能，表明RefineX可以有效地通過刪除垃圾文本降低訓(xùn)練單文本的token開銷，從而在訓(xùn)練token總數(shù)限制下讓模型預(yù)訓(xùn)練考慮更加多樣的文本。

無論是對(duì)原始數(shù)據(jù)進(jìn)行改進(jìn)還是對(duì)先前過濾的數(shù)據(jù)集進(jìn)行改進(jìn)，使用RefineX訓(xùn)練的模型始終在平均得分上獲得最高分，并贏得最多任務(wù)。

有效提升文本質(zhì)量

論文使用文本質(zhì)量打分器DataMan來對(duì)收集的混亂的文本數(shù)據(jù)進(jìn)行預(yù)分類，并觀察精煉前后的質(zhì)量變化。

可以看到，在文本質(zhì)量層面，RefineX對(duì)低質(zhì)內(nèi)容的改善率高達(dá)42.2%，且嚴(yán)格保持“零新增詞匯”，杜絕了任何幻覺風(fēng)險(xiǎn)。而端到端方案雖提升率更高，卻以每千token新增15個(gè)外部詞匯為代價(jià)，埋下了語義篡改的隱患。

RefineX提供了一個(gè)可靠又高效的大規(guī)模預(yù)訓(xùn)練數(shù)據(jù)細(xì)化的新范式。真正的數(shù)據(jù)凈化不是重塑文本，而是以最小干預(yù)剝離噪聲，讓知識(shí)的原初脈絡(luò)自由呼吸。

arxiv：https://arxiv.org/abs/2507.03253

huggingface：https://huggingface.co/papers/2507.03253

github：https://github.com/byronBBL/RefineX