英伟达公司近日在其官方博客上宣布了一项重大进展，推出了一款名为Nemotron-CC的大型英文AI训练数据库。这一数据库规模庞大，包含了6.3万亿个Token，其中1.9万亿为精心合成的数据。据英伟达介绍，这一数据库旨在为学术界和企业界提供更为强大的资源，以推动大语言模型的训练进程。
当前，AI模型的性能在很大程度上依赖于其训练数据的质量和数量。然而，现有的公开数据库在规模和质量上往往存在限制，难以满足日益增长的训练需求。英伟达表示，Nemotron-CC正是为了解决这一难题而生。该数据库不仅规模巨大，而且包含大量经过验证的高质量数据，被视为训练大型语言模型的理想选择。
为了验证Nemotron-CC的性能，英伟达进行了多项测试。结果显示，与目前业界领先的公开英文训练数据库DCLM相比，使用Nemotron-CC-HQ训练的模型在MMLU基准测试中的分数提高了5.6分。使用Nemotron-CC训练的80亿参数模型也在MMLU和ARC-Challenge等多个基准测试中取得了显著的成绩提升。
在进一步测试中，该80亿参数模型在MMLU基准测试中分数提升了5分，在ARC-Challenge基准测试中提升了3.1分，并在10项不同任务的平均表现中提高了0.5分。这一成绩甚至超越了基于Llama 3训练数据集开发的Llama 3.1 8B模型，充分展示了Nemotron-CC在训练大型语言模型方面的优势。
英伟达在开发Nemotron-CC的过程中，采用了多种先进技术来确保数据的高质量和多样性。例如，他们使用了模型分类器和合成数据重述等技术来优化数据处理流程。同时，他们还针对特定高质量数据降低了传统的启发式过滤器处理权重，从而进一步提高了数据库中高质量Token的数量，并避免了对模型精确度造成损害。
英伟达已经将Nemotron-CC训练数据库在Common Crawl网站上公开。用户可以通过访问该网站来获取这一数据库。英伟达还表示，相关文档文件将在稍晚时候在其GitHub页面上公布。这将为更多研究人员和开发者提供便利，推动大语言模型的进一步发展。
