4月17日，RedPajama宣布开源1.2万亿token数据集，协助开发者练习类ChatGPT大言语模型。这也是现在类ChatGPT领域，全球最大的开源练习数据集。（地址：huggingface.co/datasets/to…
据悉，RedPajama完美仿制了LLaMA模型上的1.2万亿练习数据集，由维基百科、GitHub、一般抓取、C4、图书、ArXiv（知名论文网站）、Stack Exchange七部分组成。完好数据集容量约5T，依据数据运用条例现已允许商业化。
ChatGPT插件合集：
引荐一款国人开发的ChatGPT浏览器插件
更新了！超高人气的IDEA插件更新4.0 看看都有啥？
这款国人开发的chatgpt＋idea插件又迎来更新~
开箱即用的「ChatGPT」插件，还不赶忙来试试？ – 掘金 ()
最近的类ChatGPT开源项目实在是太卷了，不仅开源了基础模型，就连核心练习数据集也陆续开源，生怕开发者缺衣少粮服务真是周到位啊。但一次性开源如此庞大的数据集还真是罕见。
ChatGPT的出现加快了生成式AI的商业化落地，并引领了全球新一轮AI技能变革。因为Open AI没有开源ChatGPT，LLaMA、Alpaca、Guanaco、LuoTuo、Vicuna、Koala等一大批优异的开源项目如雨后春笋般快速增长。
其中，由Meta AI发布的LLaMA是公认最佳的ChatGPT平替产品，其中，70亿参数模型通过1.2万亿数据练习单个CPU就能跑，比较适合中小型企业和一般开发者。但LLaMA只能用于学术研究不允许商业化。所以，RedPajama仿制了LLaMA1.2万亿练习数据，协助开发者加速大言语模型练习进程。
其实RedPajama本身就是一个类ChatGPT大言语模型由Together、 Ontocord.ai、ETH DS3Lab、Stanford CRFM和Hazy Research一起合作开发。预计5月份，RedPajama会将大言语模型进行开源。
本次开源的数据集，RedPajama受LLaMA 70亿参数模型启发，依照其论文的数据模式从维基百科、GitHub、一般抓取、C4、图书、ArXiv、Stack Exchange抓取了1.2万亿练习数据，并进行了数据优化、过滤。
其中，一般抓取渠道获取了8780亿数据，并通过多个质量过滤器进行过滤，包含选择相似维基百科页面的线性分类器。C4获取1750亿，依据标准 C4 数据集。GitHub获取590亿，按许可证和质量过滤；图书获取260亿，包含开放书籍的语料库，并依据内容相似性进行去重。
ArXiv获取280亿，去除了样板文件的科学文章。维基百科获取240亿，依据子集数据删除了样板内容。StackExchange获取200亿，依据子集数据删除了样板内容。总体来说，RedPajama完美仿制了LLaMA的练习数据集。
RedPajama还开源了所有数据预处理和质量过滤器，使得任何人都可以依照数据预备方法仿制 RedPajama-Data-1T。（地址：github.com/togethercom…
RedPajama表示，正在积极练习类ChatGPT大言语模型，并进行深度优化。依据Alpaca模型的展示，仅需5万条高质量、多样化的指令，就能显着改善对话功能。
现在，RedPajama现已收集了10万条高质量指令，将用于发布RedPyjama模型的指令优化版本。
