大模型是怎么炼成的（一）：训练全景与数据工程

Kyrie Chen 2026-08-13

一个大模型从原始网页、代码仓库和论文，变成能对话、写代码、做数学题乃至调用工具的系统，中间到底经历了什么？2022 年，人们习惯用「Pretrain + RLHF」概括它；今天，更准确的描述是一组相互回流的模块：数据工程 → Pretrain → Mid-training → SFT → 偏好优化 → 推理 RL（RLVR）→ Agentic 训练 → 蒸馏与评估。

这里刻意说「模块」，而不是八个必经的串行阶段：并非每个模型都经过每一环，SFT、偏好优化和 RL 也经常交替多轮；评估结果、模型生成数据和线上失败案例还会回流到更早的环节。下面这张总图和八篇文章，是理解真实训练系统的坐标系，而不是唯一配方。

本系列会围绕 Llama 3、DeepSeek-V3/R1、Tulu 等公开程度较高的系统，回答三类问题：每个阶段解决什么问题、核心目标和算法是什么、工程上如何验证它确实有效。涉及实操时，只展示最关键的 1～2 段代码；完整脚本另放仓库。

篇目	主题	核心问题与招牌内容
①（本篇）	训练全景 + 数据工程	从来源治理到训练分片的完整数据 DAG；方案选择与消融方法
②	Pretrain	Scaling Laws、Dense/MoE、精度与调度；Loss Spike 排查实录
③	Mid-training	高质量数据升配、领域续训、长上下文扩展；LR 与数据配比双轴图
④	SFT	指令数据、chat template、full FT/LoRA；Loss Masking 代码实战
⑤	偏好对齐	RM/PPO、DPO/SimPO/KTO；PPO 四模型交互图与 DPO 核心代码
⑥	推理 RL（RLVR）	Verifier、GRPO/DAPO、test-time scaling；KL、熵与长度失控排查
⑦	Agentic 训练	工具调用 SFT、多轮环境 RL、credit assignment、异步 rollout
⑧	蒸馏与评估	黑盒/白盒蒸馏、judge 偏差、污染与动态评测；训练—评估闭环

全系列使用同一套视觉语法：象牙白节点表示核心处理，橙色表示流程起止，蓝色表示数据、存储或模型资产，绿色表示决策；实线箭头表示主流程，虚线边框或连线表示可选阶段与反馈。涉及 PPO/GRPO 等多模型交互时，再用节点内的状态标签明确「可训练」与「冻结」，避免让颜色同时承担两套含义。第五篇与第六篇会采用相同布局，直接显示 GRPO 主要省掉的是 learned critic，而不是笼统地说「少两个模型」。

范围说明：数据研究不存在可以在一篇文章里逐篇穷尽的「所有论文」。本文覆盖截至 2026 年中、对文本 LLM 预训练最有代表性的公开论文、数据集与生产实践，并给出一条可落地的完整参考管线。多模态数据、SFT/偏好数据的专门治理留到后续文章。

一、全系列总地图：线性叙事，循环系统

现代大模型训练生命周期总地图

图 1：现代大模型训练生命周期。橙色表示起止节点，蓝色表示模型资产，绿色表示评估决策；虚线边框表示可选阶段，虚线连接表示反馈回流。

这张图有四个需要提前澄清的地方。

第一，Pretrain 通常是单次正式训练中最大的训练算力项，但「90%」不是普适常数。 DeepSeek-V3 报告列出的最终训练账本是：预训练 266.4 万、上下文扩展 11.9 万、后训练 0.5 万 H800 GPU 小时，合计 278.8 万；按这套口径，pretrain 与 context extension 占绝大多数。但它不包含所有失败实验、数据处理、人工标注，也不等于在线 RL 的 rollout 推理成本。后文谈算力占比都会注明口径，不把单个案例外推成行业定律。

第二，能力上限与用户体验不能简单二分。 Pretrain 决定大部分知识、语言和表征能力，post-training 改变能力的可调用性、行为分布和安全边界；推理 RL 还可能实质性提高某些可验证任务的能力。更准确的说法是：它们优化不同分布上的目标，而不是一个只管「上限」、另一个只管「性格」。

第三，Mid-training 不是统一定义的标准阶段。 本系列把它操作性地定义为：主干通用预训练之后、典型 post-training 之前，仍使用语言建模目标进行的继续训练，包括退火期高质量混合、领域继续预训练和长上下文扩展。不同论文可能称它 annealing、continued pretraining、context extension 或第二阶段预训练。

第四，评估不是终点，而是数据系统的控制信号。 数据质量分类器、混合权重和合成策略如果没有冻结评测集、污染检查与受控训练实验，就只是审美判断。训练项目真正的闭环是「提出数据假设 → 代理实验 → 规模复核 → 失败切片 → 修改数据」。

二、七个训练模块速览

2.1 Pretrain：规模化的下一个 token 预测

自回归预训练在上下文 (x_{<t}) 下预测 (x_t)，最小化 token 级负对数似然。Scaling Laws 用小规模实验估计参数量、有效数据量与算力之间的关系；Chinchilla 给出 compute-optimal 视角，后来的超量训练与数据受限研究则说明：最优点还取决于推理预算、数据质量和可重复数据量。

架构上常见 Dense（如 Llama 3）和 MoE（如 DeepSeek-V3）两条路线；注意力实现包括 MHA、GQA 和 MLA。第二篇会把单个 training step 的 data/gradient flow、LR schedule、BF16/FP8 与 loss spike 诊断放在同一张图里。案例数字也会明确 tokenizer 口径：Llama 3 405B 报告约 15.6T 训练 token；DeepSeek-V3 报告 14.8T token。

2.2 Mid-training：高杠杆，但不是魔法窗口

Mid-training 常做三类事：在训练后段提高数学、代码与精选网页的采样权重；用领域数据继续预训练；通过 RoPE 参数与分阶段序列长度扩展上下文。LR 退火与换数据常同时发生，因此不能仅凭一次结果断言提升来自「低 LR 更容易记住好数据」；需要固定 token、调度与初始化做消融。

代表实践包括 OLMo 2 的 Dolmino mix、MiniCPM 的 WSD/退火实验、Llama 3 的长上下文训练。第三篇会重点讨论能力收益、遗忘、数据重复和上下文长度之间的因果拆分。

2.3 SFT：教模型条件化地完成任务

SFT 在指令—回答、多轮对话或工具轨迹上继续最大似然训练。它不一定只对 response 计算 loss：可选 full-sequence、completion-only、所有 assistant turn 或只训最终 assistant turn；选择取决于模板是否要学习、user 内容是否来自模型、以及是否担心复述 prompt。工程上通常把不参与 loss 的 label 设为 -100，这是 PyTorch 交叉熵的 ignore index 约定，不是 SFT 的数学定义。

第四篇会对比少而精与规模化指令数据、蒸馏与 rejection sampling、full FT 与 LoRA，并展示 TRL/LLaMA-Factory 中 mask 的真实构造。

2.4 偏好对齐：RM/PPO 与直接偏好优化

经典 RLHF 先从偏好对训练 reward model，再用 PPO 更新 policy，并用 reference policy 的 KL 约束漂移。DPO在特定偏好模型假设下，把优化写成 chosen/rejected 相对 reference 的分类损失：省掉显式 RM 训练和在线 rollout，但训练时仍需 policy 与 reference 的 log probability（reference 结果可预计算）。SimPO、IPO、ORPO 等改变目标或参考项；KTO使用二元好/坏反馈，最好视为相邻的 preference optimization 方法，而不是简单的 DPO 小改版。

2.5 推理 RL（RLVR）：奖励可验证的长程推理

RLVR 用答案匹配、单元测试、形式证明检查器等 verifier 提供奖励。GRPO的核心简化是以同题多条 rollout 的组内相对奖励构造 advantage，省掉 learned value/critic；它是否保留 reference model 取决于是否计算 KL。DAPO不只是「去 KL」，还组合了动态采样、非对称 clipping、token-level policy gradient 与超长样本处理等工程设计。

DeepSeek-R1报告观察到反思、回溯等行为，但「涌现」是对实验现象的描述，不是所有模型和奖励设置都能复现的保证。第六篇会把 reward hacking、熵坍缩、长度膨胀和 KL 监控放进一套排障树。

2.6 Agentic 训练：在环境中学习多轮决策

Agentic 训练把一次回答扩展为 model ↔ environment 的 trajectory：模型调用搜索、浏览器、代码沙箱或业务 API，根据 observation 继续行动，最终以任务成功率、测试用例或过程检查器给奖励。难点包括环境可复现性、稀疏奖励的 credit assignment、长轨迹 token 归因、异步 rollout 的版本滞后，以及工具本身造成的数据泄漏。

2.7 蒸馏与评估：迁移能力，也检验因果

黑盒蒸馏用 teacher 生成训练样本，白盒蒸馏匹配 logits 或中间分布。DeepSeek-R1的公开实验显示，在其若干小模型设置中，推理轨迹蒸馏优于直接对相应小模型做同类 RL；这是一组具体实验结果，不能泛化成「蒸馏永远胜过 RL」。评估则贯穿每一阶段：base 模型看受控能力曲线，post-training 看任务与偏好，agent 看端到端成功率，同时审计 judge 偏差、训练—测试污染和重复运行方差。

三、数据工程首先是目标、治理与实验设计

3.1 为什么它不是一串 filter

数据管线优化的对象至少有六个，而且彼此冲突：

能力收益：在目标 token 和算力预算下提高验证损失与下游能力；
覆盖与多样性：保留语言、领域、文体、长尾知识和不同观点；
唯一性与隐私：减少重复、记忆和敏感信息暴露；
合法与可追溯：记录来源、时间、许可/政策、退出与删除链路；
可复现与可运维：能恢复中断、重放任一版本、解释每条样本为何保留；
吞吐与总成本：数据处理、分类器推理、tokenize、存储和训练加载都在预算内。

因此「质量」不是单一标量。教育价值分类器可能提升 MMLU，却压缩叙事、口语和文化多样性；全局去重提高 unique tokens，也可能取消高质量内容原本的自然上采样。成熟系统会保留多维 score 与原因标签，在 mixture 阶段决策，而不是早早把世界压成一个布尔值。

3.2 公开研究的演进脉络

路线	代表工作	留下的关键方法
规则清洗与语言建模	C4/T5、CCNet、Gopher/MassiveText	语言识别、Wikipedia-like perplexity、长度/符号/重复规则
大规模多源开放语料	The Pile、ROOTS、Dolma	来源配比、文档化、治理、分层消融
Web 精炼与去重	RefinedWeb、FineWeb	WARC 正文抽取、MinHash、按步骤训练代理模型
竞赛式数据选择	DataComp-LM/DCLM	固定原始池、算力与 53 项评估，比较可复现的 curation 配方
学习式质量评分	Ask-LLM、QuRating、FineWeb-Edu、Nemotron-CC	LLM 标注→小分类器蒸馏、多维评分、质量与多样性平衡
数据选择与配比优化	DSIR、DoReMi、DoGE、RegMix	分布匹配、group DRO、双层优化、代理模型回归
合成与改写	Phi-1、WRAP、Cosmopedia、Nemotron-CC	教科书合成、源约束改写、任务化重表达
解析器与数据保真	AICC/MinerU-HTML、Beyond a Single Extractor	保护表格/公式/代码，模型解析器，多抽取器 union
多语言与全生命周期开放	FineWeb2、OLMo 3	语言特定处理、数据谱系、完整 model flow

这条演进线的方向不是「模型过滤取代所有规则」，而是：原始数据与标签分离、便宜到昂贵的级联、来源专用分支、受控训练实验，以及可撤销的数据决策。

3.3 完整参考流水线

预训练数据工程完整生产 DAG

图 2：预训练数据工程的三层生产架构。橙、蓝、绿边框分别区分来源、处理和组装层；右侧元数据与谱系是贯穿所有阶段的控制面。

顺序不是绝对的。例如 exact dedup 很便宜，可在模型打分前完成；全局 MinHash 要不要提前，取决于它能省多少推理成本、是否会破坏质量选代表；PII 有时必须在任何外部模型评分前先脱敏。正确做法是把依赖关系写成 DAG，并用成本与政策决定拓扑顺序。

四、十四个模块：功能、实现与方案比较

4.1 目标、数据契约与冻结评测集

先写清目标模型的语言、领域、上下文长度、token 预算、许可边界和评测集，再下载数据。否则「高质量」无从定义，配比优化也会把噪声当信号。

每条文档至少需要以下数据契约：content_id、source_id、URL/仓库/文件标识、crawl 或版本时间、MIME、语言及置信度、许可/权利状态、parser 版本、质量向量、policy flags、duplicate cluster、父文档与生成 lineage。原文放 immutable raw lake；分数与决策放可版本化 sidecar。这样阈值改变时只重算选择，不必重新抓取和解析。

评测集要在数据选择前冻结并版本化，至少包含：通用能力、目标领域、语言、长尾、安全、记忆/隐私和人工抽样。按来源/时间/重复簇划分 holdout；否则同一模板或转载文章会横跨训练与验证。

4.2 获取、来源登记与权利治理

来源	优势	特有处理	主要风险
Common Crawl WARC	规模和覆盖最大，保留 HTML	正文抽取、模板与 spam、快照版本	网页可访问不等于拥有训练权；条款、司法辖区与退出要求
Curated web/百科/问答	信号密度高	保留 revision、作者与许可	过采样导致风格单一、benchmark 重叠
代码与 Software Heritage	代码、历史和许可元数据丰富	repo 级解析、生成/vendor 文件、secret 扫描	许可兼容、凭据、训练/评测仓库泄漏
PDF/论文/专利	STEM 与长文价值高	OCR、版面、公式/表格、引用顺序	OCR 噪声、版权、脚注与双栏错序
书籍/新闻/授权数据	长篇连贯性和编辑质量	格式专用解析、版本管理	权利与地域限制
人工/合作伙伴数据	可控且目标明确	consent、用途限制、审计	规模小、成本高、敏感信息

Common Crawl 提供 WARC（原始响应）、WAT（元数据）和 WET（预抽文本）。FineWeb 的受控实验表明，在其设置中从 WARC 用 trafilatura 重新抽取优于直接使用 WET；这不是说 WET 永远不可用，而是抽取选择必须以目标内容和训练实验验证。

工程上把许可、robots/退出状态、地域与用途限制作为数据字段，而不是散落在脚本里的 URL 黑名单。退出或删除请求产生 tombstone，通过 stable ID 和 lineage 传播到派生文本、合成版本和训练 manifest。Common Crawl 使用条款本身也明确提醒归档内容仍可能受原网站条款和权利约束；实际项目应由法律与隐私团队制定政策，本文不构成法律意见。

4.3 完整性检查与文本规范化

这一层常被漏掉，却决定了所有 hash、长度阈值与 tokenizer 统计是否稳定。

验证压缩包、checksum、HTTP 状态、MIME 与编码，隔离损坏/截断文档；
解码 HTML entity，移除不可见控制符和异常 NUL，统一换行与空白；
Unicode 通常采用 NFC；不要无条件 NFKC，因为它会折叠数学符号、全角字符和某些语言差异；
同时保留 raw text 与 canonical text：前者用于审计/重新解析，后者用于 hash 与规则；
规范化 URL（host 大小写、默认端口、fragment、追踪参数）但保留原 URL；
代码、Markdown、LaTeX、表格和缩进使用各自的规范化策略，不能套网页纯文本规则。

所有 stage 写 manifest：输入/输出版本、代码与容器版本、配置 hash、随机种子、文档/字节/token 数、每种 reason code 的保留率及分布漂移。处理任务要幂等、可分片、可恢复。

4.4 来源专用抽取：HTML、PDF 与代码不能共用一把刀

HTML 抽取方案：

方案	优点	缺点	适合场景
WET	无需自行解析、启动快	boilerplate 与结构保真不可控	原型或计算极受限
trafilatura	正文精度高、FineWeb 验证充分	偏保守，可能丢列表/代码/表格	通用网页高精度路线
jusText	较高召回、规则透明	需要后续更强过滤	token 数量受限的长周期训练
resiliparse	快、资源效率高	仍是通用启发式抽取	DCLM 式大规模处理
多抽取器 union/路由	增加覆盖，结构页面可择优	去重、质量归因与成本更复杂	内容异质、强调 code/table 的管线
模型解析器	能识别语义块并转 Markdown	GPU/推理成本、模型偏差	高价值 STEM 或结构化页面

Nemotron-CC报告其 jusText 配置比 trafilatura 获得约 57.5% 更多被分类为高质量的 token，选择的是高召回路线。相反 FineWeb 选择更保守的 trafilatura。Beyond a Single Extractor进一步发现，多抽取器结果取 union 可让 DCLM-Baseline 的 token yield 最多提高 71%，且标准任务不降；表格和代码任务对抽取器差异尤其敏感。AICC则用 0.6B 模型做 HTML 序列标注和 Markdown 恢复，在其 62B-token 对照中相对 trafilatura 版本平均提升 1.08 个百分点。这些数字都依赖各自管线，不能直接横比。

PDF 应先检测 born-digital 还是扫描件：优先版面感知文本解析，失败再 OCR；恢复双栏阅读顺序、标题层级、公式、表格与参考文献，并保留页码/bounding box 方便追溯。代码则按仓库而非孤立文件处理：识别语言与依赖，过滤 vendor、minified、generated、二进制和数据文件，扫描 secret，并以 repository/commit 为切分与去重单位。The Stack v2基于 Software Heritage 的持久标识与多种仓库附属内容，是这条分支的重要参考。

4.5 语言、领域与文档类型识别

fastText lid.176 速度快，适合大规模第一层；CLD3/pycld2 可作独立信号；GlotLID覆盖 1,665 种语言，适合长尾多语言管线。最新的 CommonLID提示：在干净 benchmark 上的 LID 准确率可能高估真实网页表现。

关键工程选择不是「哪个模型最高分」，而是：

文档级 + 段落级联合判断，避免多语言、引用、代码和公式把整篇误分；
按语言校准阈值，不使用一个全局 confidence；
低置信文档路由到 mixed/unknown 池，不立即删除；
语言之后再跑语言特定的停用词、标点、字符比例和质量模型；
同时预测 domain/doc type（论坛、论文、教程、商品页、代码文档），为后续规则和混合提供条件。

FineWeb 英文管线使用 fastText 分数 0.65 作为其阈值，这是案例，不是默认值。公式密集、短文本与 code-switching 应单独抽样画混淆矩阵，再定语言级阈值。

4.6 便宜规则：负责明显坏，不负责定义所有好

规则层的意义是用极低成本移除确定性噪声，为昂贵模型减负。常见信号包括：

URL/domain policy 与成人、恶意、内容农场信号；
文档、行、词的最小/最大长度；
alphabetic、数字、符号、emoji、异常 Unicode 和 stopword 比例；
句末标点、平均词长、超长词、bullet/ellipsis 比例；
重复行、重复段、top n-gram 覆盖率、模板密度；
lorem ipsum、cookie/banner、SEO 关键词堆砌、机器乱码；
代码/数学专用的可解析性、注释比例、测试/文档与 minified 检测。

C4、Gopher/MassiveText 和 Dolma 提供了成熟规则集，但不能原样复制。C4 的 blocklist 分析显示，词表过滤会不成比例地移除某些身份与方言相关文本；英语句末标点规则用于中文、代码或表格也会大规模误杀。规则必须输出 reason_code 与原始数值，按语言、来源、时间、domain 分层看 retention rate，并人工抽查边界样本。

FineWeb 的公开消融是一个好例子：其三条 custom filter 合用约移除 22% token，而不是 7%；团队通过训练小模型比较了 token 损失与能力收益。启发式规则的最佳角色是高精度拒绝和特征生产，不是单独承担全部质量判断。

4.7 学习式质量评分：先定义 rubric，再选模型

质量过滤的成本级联

图 3：质量过滤应按单位成本级联。越靠下语义能力越强、单文档成本越高，只让少量困难样本进入昂贵阶段。

路线	优点	局限	典型用途
KenLM/perplexity	极便宜、无 GPU	倾向「像参考语料」，不等于事实或教育价值	CCNet 式 Wikipedia-likeness
fastText/线性模型	吞吐高、易解释和部署	依赖浅层词汇/风格特征，容易学到捷径	DCLM 全量筛选
小型 encoder 分类/回归	能理解上下文，质量更细	GPU 成本与长度截断	FineWeb-Edu 式 teacher→student
多分类器集成	提高覆盖，减少单一品味	校准和冲突处理更复杂	Nemotron-CC 分桶
LLM 直接评分/成对比较	rubric 灵活，可解释	贵、位置/长度/模型偏差	标注种子、灰区复核

DCLM 的一个关键结果是：用 OpenHermes 2.5 与高分 ELI5 等指令式文本作正例、随机网页作负例训练 fastText，比传统「像 Wikipedia」正例更适合它的评测目标；该 baseline 用 7B 模型训练 2.6T token，报告 64% 的 5-shot MMLU。FineWeb-Edu由 Llama-3-70B-Instruct 对 46 万样本给 0～5 教育价值分，再训练分类器；对 15T FineWeb 打分约用 6,000 H100 GPU 小时，阈值 3 产生论文版约 1.3T token 的高教育性子集。

QuRating把写作、专业知识、事实信息、教育价值分开，以 LLM pairwise judgment 训练 QuRater 并标注 260B 语料；其结果表明质量与多样性要同时优化，按连续 score 软采样可能优于硬阈值。

推荐实现是级联：规则 → fastText/perplexity → encoder → LLM 只审查抽样和不确定区。保留 quality_vector 而非单分数，例如 {readability, educational, factual_density, style, spam, toxicity, domain}；用 reliability diagram 校准分数，并审查 classifier 对语言、长度、来源的选择偏差。

4.8 去重：按粒度分层，先建簇再选代表

分层去重与代表样本选择

图 4：去重的正确抽象是先发现重复关系并建立簇，再按质量、许可、时间和结构选择代表，最后决定采样权重。

层级	方案	优点	缺点/风险
URL/版本	canonical URL、版本和 redirect	最便宜，保留时间关系	不同 URL 转载检测不到
精确文档	canonical text hash	快、确定、适合前置	轻微编辑即可绕过
段落/行	hash 或 Bloom filter	清模板与重复段落	误删免责声明、引用与必要上下文
模糊文档	MinHash + LSH	可扩展、公开管线中最常见	阈值/分片敏感，只看词面集合
精确子串	suffix array 等	找跨文档长片段	全局内存/IO 成本高
语义重复	embedding + ANN/聚类	能找改写近义样本	成本高、易损多样性，边界难解释

MinHash 把文档表示为归一化 n-gram/shingle 集合，用多个随机 hash 的最小值近似 Jaccard。若签名被切成 (b) 个 band、每 band (r) 行，Jaccard 为 (s) 的文档成为候选对的概率为：

[ P(\text{candidate}) = 1 - (1-s^r)^b ]

FineWeb 采用 5-gram、112 个 hash、14×8 band 的配置，并最终选择每个 crawl snapshot 内独立去重：其全局按时间去重实验只留下约 4T token，而且早期 crawl 的残余质量更差。这个结果说明代表保留策略与数据时间分布会改变训练效果，不是「全局越彻底越好」。另一方面，长周期训练会更缺 unique token；Nemotron-CC 因此组合 exact、全局 MinHash 和 substring dedup。两种目标不同，不能互相推出矛盾结论。

Lee et al.显示训练数据重复会增加逐字记忆，去重可减少生成训练片段；SemDeDup与 D4进一步研究 embedding 空间中的语义冗余与多样化，但这类方法更贵，也可能把少数观点当冗余。

工程上不要在发现重复时立刻「保留第一个」。先写 cluster_id，再按质量、许可、来源可信度、结构完整性、时间和长度选代表；必要时保留多版本并调整采样权重。Bloom filter 适合流式 membership test，但有假阳性、不能直接恢复重复簇且结果依赖输入顺序。所有去重都应在 train/eval split 前共享 cluster 信息，防止簇跨 split。

4.9 隐私、安全、毒性与权利是四个不同问题

PII 可以从高精度 regex（email、IP、电话、密钥模式）开始，再用 NER 或上下文模型识别人名、地址与敏感组合。Dolma 的公开策略对少量 email/IP/电话做 mask、过多则移除；Dolma 3 进一步用 LLM 制定上下文规则，再蒸馏到较小模型，以区分论文作者等公开信息和真正风险内容。代码分支还要扫描 API key、token、私钥与凭据历史。

安全/毒性 不应与低质量合并。毒性分类器对方言、身份讨论、医学和法律文本可能有系统偏差；更稳妥的做法是分别记录 explicit content、hate、harassment、self-harm、malware 等标签，再按模型用途和训练阶段设阈值。保留经审查的安全知识池，避免模型因完全没见过风险内容而无法识别它。

权利与来源策略 处理许可、用途限制、退出与删除；隐私策略 处理个人可识别性和可提取风险。两者会重叠但不能互相替代。对 policy-fail 样本使用隔离区和 tombstone，不让它继续进入合成与缓存。Carlini 等关于训练数据提取的研究（2021、2022）说明，重复和异常序列会显著放大记忆风险；过滤、去重、访问控制和训练后红队要共同工作。

4.10 去污染：保护评估，不只是跑一次 13-gram

没有普适的 n-gram 长度。GPT-3 报告使用过 13-gram，Llama 3 的分析使用 8-gram；tokenizer、语言和文档长度不同，阈值也应不同。PALOMA使用段落级匹配与 Bloom filter，并对短段落另作处理；污染综述系统总结了精确、词面与语义检测的盲点。

推荐分层：

对标准化文本、题干、答案、few-shot 示例做 exact hash；
token/character n-gram + Bloom/倒排索引找长重叠；
BM25 找局部复制，embedding 找翻译/改写候选；
数学检查题干、答案和解题模板，代码检查仓库、测试和 AST/标识符；
人工复核相似候选，记录 overlap 类型与阈值；
在每次加入新来源、翻译、合成或改写数据后重跑，而不是只在最终做一次。

将疑似污染放 quarantine 而非永久删除，因为常识性短语和公共代码接口会产生假阳性。能力报告同时给出 contaminated/clean split、时间切片和动态或私有评测，避免一个检测器决定结论。

4.11 合成、改写、翻译与结构化增强

合成数据至少分五类：

类型	做法	优势	风险
从零生成	给主题、受众和体裁，生成教材/练习	可精准补能力与难度	幻觉、覆盖受 teacher 知识限制
源约束改写	给原文，清洗或改成百科/问答/教程	保留知识广度、改善形式	teacher 风格同质化、事实漂移
信息抽取/任务化	从文档生成 QA、摘要、知识列表、证明	同一知识产生多种监督结构	重复放大、答案泄漏
翻译/跨语言迁移	高资源语言到低资源语言	补长尾语言与平行信号	翻译腔、文化替代、名称错误
蒸馏轨迹	teacher 生成推理/代码/工具轨迹	传递任务策略	错误链条、不可验证步骤、teacher imprint

Phi-1 并非「只靠合成数据」：其报告组合约 6B 筛选后的代码相关文本和约 1B synthetic textbook/exercise token。Cosmopedia公开版本包含超过 3,000 万文件、约 25B token，由 Mixtral-8x7B 生成；官方也明确提示合成内容可能包含幻觉。WRAP以不同风格改写 C4，并报告在其设置中约 3× 的学习效率提升。Nemotron-CC 的 6.3T token 中约 1.9T 为合成数据，低质量内容做 Wikipedia-style rewrite，高质量内容做 QA/知识提取等多视角增强。

每条合成样本必须保留 parent_id、teacher/checkpoint、prompt/template、sampling 参数、seed 和 verifier 结果；对源文做 factual entailment/实体数字一致性检查，对代码运行测试，对数学验证最终答案；之后重新过 PII、安全、污染、exact/semantic dedup。抽样检查模板泄漏、固定开场、长度分布和 teacher 特有措辞。真实数据与合成数据混合通常比封闭递归生成更稳健；不要让下一代模型只学习上一代模型的分布。

4.12 数据选择、配比、课程与重复

Llama 3 报告的预训练混合约为 50% general knowledge、25% math/reasoning、17% code、8% multilingual。它是 Llama 3 在其目标和数据池上的结果，不是「42% 数学代码适合所有模型」的行业定律。

方法	信号与优化方式	优点	局限
人工比例/temperature sampling	来源先验、规模与经验	简单稳定、易加入政策约束	交互难预测，迁移性弱
DSIR	让候选 n-gram 分布匹配目标分布	便宜、无需训练大模型	目标集选择决定偏好
DoReMi	proxy model + group DRO 学 domain 权重	可在固定 domain 上自动调权	依赖 reference 与 proxy transfer
DoGE	以目标域泛化做双层优化	目标明确	优化与计算更复杂
RegMix	多个微型训练实验拟合 mixture→metric 回归	可搜索大量组合、成本相对低	小模型排序可能翻转
Online mixing/Skill-It	训练中按 loss/skill 动态更新	能适应学习进度	系统更复杂、可复现性下降
CLIMB	embedding 聚类发现隐式 domain 后搜索	不要求人工域标签	聚类语义和最终能力未必一致

实用流程是：先用人工/政策约束给可行域；再用 DSIR/DoReMi/RegMix 等产生候选；用相同架构、token、超参和多个 seed 的小模型比较；最后在较大 checkpoint 的 continued training 上复核。代理实验并非永远可靠：DataDecide在 25 个 corpus、多个尺度和 seed 上发现，小模型/连续指标能以很低成本预测不少比较，但预测能力依任务和尺度变化，不能只跑一个 150M 模型就宣布大模型最优配比。

多 epoch 也不是「四遍以内等同新数据」的定律。Scaling Data-Constrained Language Models在最高 9B 参数、900B training tokens 的实验范围内发现，固定算力时最多约 4 epoch 的重复对 loss 影响很小，之后重复 token 的边际价值衰减；后续研究指出可重复程度还依赖数据集大小和分布。工程上为每个来源记录 effective epochs、重复簇曝光次数与 curriculum，而不是只看全局 token 数。

4.13 Tokenizer：决定 token 预算、吞吐和语言公平

常见选择是 BPE、SentencePiece BPE/Unigram 或 byte-level BPE，并配置 byte fallback 和 special tokens。词表变大通常减少序列 token 数、改善代码和多语言压缩，但会扩大 embedding/LM head、logits 计算和稀有 token 学习难度。Llama 3 使用 128K 词表，并报告相对 Llama 2 tokenizer 最多约 15% 的 token 压缩改善。

Tokenizer 不必机械地在「最终完整混合」上训练，而应在反映目标 mixture 的分层代表样本上训练；最终比例尚未确定时允许迭代。审计指标包括每种语言/领域的 bytes-per-token、字符/token、UNK/byte fallback 率、数字/公式/代码边界、词表利用率、压缩率与 loader 吞吐。研究表明 tokenizer 选择会改变性能与训练/推理成本，英语中心词表会显著提高部分语言的 token 成本（Tokenizer Choice、Getting the Most out of your Tokenizer）。

先冻结 tokenizer 版本，再以该 tokenizer 重算所有 token 数、长度阈值、mixture 预算与污染 n-gram；不同论文的「T tokens」若 tokenizer 不同，不能直接等量比较。

4.14 序列构造、shuffle、落盘与 QA

Tokenizer 后还不是训练数据。需要决定：

文档拼接：多个短文以 EOS 拼接；可允许跨文档 attention，或用 block-diagonal mask 禁止跨文档注意力（Llama 3 报告采用后者）；
长文切分：截断、滑窗重叠、结构感知 chunk，或保留整篇供长上下文阶段使用；始终保留 doc/chunk ID；
代码增强：可加入 FIM（fill-in-the-middle）变换，但要独立记录转换和比例；
packing：追求高 token utilization，同时正确处理 position、loss mask 与跨文档边界；
shuffle：不一定必须在 tokenization 前完成。可以文档级预打乱，也可以 token 化后用确定性全局索引/两级 shuffle；目标是避免同站点、同来源、同质量桶长时间连续，并能精确恢复样本顺序；
存储：文档湖常用 JSONL/Parquet，训练侧用带 offset/index 的二进制 shard、WebDataset/tar 或框架原生格式；shard 大小按对象存储、重试成本与顺序读吞吐压测决定。

发布训练前设置 QA gate：schema/checksum、空文档与解码错误、每 stage 留存率、来源/语言/长度/质量漂移、duplicate cluster 跨 split、PII/secret 抽检、污染率、tokenizer fertility、packed sequence mask 单测、data loader 吞吐与固定 seed 可重放。输出 dataset card 与精确 manifest，而不仅是一个总 token 数。

五、三条公开生产管线告诉我们的不是同一个答案

5.1 FineWeb / FineWeb-Edu：消融优先的高精度路线

FineWeb 论文版处理 96 个 Common Crawl snapshots：WARC 经 trafilatura 抽取，成人 URL、fastText 英语阈值及 MassiveText 风格规则形成约 36T GPT-2 token 的基础池；每个 snapshot 独立 MinHash 去重，再加入筛选后的 C4/custom filters，形成最初约 15T token 的 FineWeb。FineWeb-Edu 用 46 万 teacher 标注训练教育性分类器，阈值 3 的版本约 1.3T token。

更重要的是实验方法：团队训练 192 个 crawl 对照模型，仅 crawl-time 分析就超过 60,000 H100 GPU 小时；公开博客同时给出每一步的模型 checkpoint 和评估。这个案例证明「造数据集」包含大量训练实验，不能只比较规则数量。

5.2 DCLM：固定赛场，暴露分类器正例的重要性

DCLM 建立 240T-token Common Crawl 候选池，固定模型、训练预算与 53 个下游评测，让不同 curation 策略可比较。其 baseline 使用 resiliparse、RefinedWeb 风格清洗/全局去重和 fastText top-10% 质量选择；fastText 以约 20 万指令/高质量问答正例与 20 万随机网页负例训练。最终 7B、2.6T-token 模型报告 64% 5-shot MMLU。

它最可迁移的经验不是「top 10%」，而是正例定义比分类器复杂度更重要：改变正例数据使 CORE 平均分提高约 3.5 点。质量模型学习的是 rubric 和训练分布，不是自然界客观存在的 quality。

5.3 Nemotron-CC 与 Dolma 3：长周期覆盖和完整谱系

Nemotron-CC 面向长周期训练，在抽取上选高召回 jusText，在去重上追求更多 unique token，以三个分类器集成将高质量占比从约 9% 提到约 25%，再把低质量网页改写、高质量网页多视角合成；最终 6.3T English tokens 中约 1.9T synthetic。其 8B/1T 对照的高质量子集比 DCLM 报告高 5.6 个 MMLU 点；这是该设置下的结果，不代表它在所有能力和预算上都优于更严格过滤。

OLMo 3 / Dolma 3 则展示了完整开放的数据生命周期：不同来源各有 HTML/OCR/code 分支，保留过滤属性、去重簇、质量与 topic 分类，最后组成公开的训练 mix。OLMo 3 报告的主混合约 5.93T token，并公开 checkpoints、数据与依赖。它提醒我们，最有研究价值的开放性不是只放最终 Parquet，而是放出从 raw source 到 model flow 的谱系。

三个案例的目标函数不同：FineWeb 强调逐步消融与单 token 质量；DCLM 强调固定赛场下可比较的数据选择；Nemotron-CC 强调长周期 unique coverage 与合成扩容；Dolma/OLMo 强调可追溯的开放科学。自建管线应先选择目标，再借鉴模块。

六、工具链：按工作负载和可复现性选，不按 Logo 选

工具	擅长	注意点
DataTrove	FineWeb 同源组件；reader/extractor/filter/stats/token/dedup；local/Slurm/Ray	CPU/对象存储调优和全局去重仍需容量设计
Dolma toolkit	tagger 与 attributes 分离、Bloom/MinHash、可审计流水线	应按自己的 policy 重写配置，不照抄阈值
NeMo Curator	Ray/GPU 的 exact/fuzzy/semantic dedup、分类与 PII	GPU 加速是否划算取决于数据规模、网络和 IO
Data-Juicer	大量文本/多模态 operators、Ray 与云上执行	operator 多不等于配方已验证，仍需消融
Spark / Beam / 自研 DAG	复用既有数据平台、治理与 observability	NLP 算法组件和训练格式需自行集成

选型先做一组端到端 benchmark：每秒文档/token、峰值 RAM/VRAM、对象存储请求、shuffle、checkpoint/retry、输出确定性、sidecar 支持和运营可观测性。去重常受网络 shuffle/IO 限制，GPU kernel 的理论倍数不等于全流水线倍数，因此本文不引用脱离配置的「16×」宣传数字。

七、如何证明某一步真的有效

一套可复用的实验协议：

注册假设：例如「模型解析器保护公式，因此提升数学而不伤通用能力」；
只改一个因素：相同 raw sample、tokenizer、token 数、架构、优化器与 seed；
同时报告成本与保留率：训练指标之外，报告丢弃 token、unique token、处理 GPU/CPU 小时和存储；
多尺度、多 seed：极小 proxy 做筛选，至少一个中等规模复核，关键决策在目标 checkpoint 做 continued-training/annealing 验证；
看学习曲线而非单点：validation loss、下游指标、不同 token budget 的交叉和方差；
做切片与负向指标：语言、领域、长度、少数群体、记忆、毒性、校准，而不是只看 MMLU；
审计污染与 judge：先去污染，尽量用可复现 scorer，LLM-as-a-judge 要做顺序/长度/风格校准；
保留失败样本：比较被保留和被丢弃的 stratified sample，检查分类器究竟学到了什么捷径。

FineWeb 官方博客修正了一个常见误传：在逐 Common Crawl 快照的那组分析中，团队训练的是 192 个模型、合计超过 6 万 H100 GPU 小时，而不是「70 多个模型、约 8 万小时」。过滤器实验另有其他模型；不同统计范围会产生不同总数，所以写作时必须指明是哪组实验。小模型消融提供的是目标条件下的证据，不是绝对真理；proxy 排名可能随尺度、LR 和评测任务翻转。

八、总结：一条可落地的检查清单

现代 LLM 训练不是八个固定步骤，而是由数据、语言建模、行为学习、偏好/可验证奖励、环境交互、蒸馏和评估组成的反馈系统。本系列后七篇会逐一「点亮」这些模块，并严格区分论文事实、工程经验和合理推断。

对于文本预训练数据，一条足够完整的生产清单是：

明确目标、权利政策和冻结评测集；
建不可变 raw lake、stable ID、provenance 与删除谱系；
做完整性检查、Unicode/URL 规范化；
按 HTML、PDF/OCR、代码和 curated source 专用抽取；
文档+片段级语言、领域和类型路由；
便宜高精度规则过滤并保留 reason codes；
多维学习式质量评分，级联而非一刀切；
URL→exact→段落→MinHash→子串→可选语义的分层去重，建簇后选代表；
分开处理隐私、安全、毒性、许可和退出；
对所有来源及每轮合成数据反复去污染；
对生成、改写、翻译和任务化数据保留 lineage，并重新验证；
用受约束的代理实验优化 mixture/curriculum/effective epochs；
在代表性混合上训练与审计 tokenizer；
正确 packing、边界 mask、确定性 shuffle 与分片，并通过完整性、分布、隐私、污染、吞吐和可重放 QA gate 后发布 manifest/data card。

最值得带走的不是某个阈值，而是三个原则：原始内容与决策标签分离；按成本级联但按依赖排 DAG；任何“最佳配方”都要用自己的目标、数据池与尺度重新消融。

下一篇进入 Pretrain：next-token objective、Scaling Laws、Dense/MoE、LR schedule 与 BF16/FP8。重点会是一套 loss spike 诊断路径——如何用 batch 指纹、梯度范数、激活统计和数值重放区分坏数据与数值不稳定，再决定 skip batch、回滚、降 LR、QK-Norm、attention scale、z-loss 或 embedding 独立 LR。