大模型语料去重工程实战：从 MinHash-LSH 的概率曲线到 10TB 语料流水线
拆解预训练语料去重的三层漏斗：归一化精确去重、MinHash-LSH 近重复召回、embedding 语义兜底。从 MinHash 的无偏估计性质与 1-(1-s^r)^b 分带概率曲线出发，给出签名、分桶、候选复核与连通分量的可运行代码，并总结倾斜桶、阈值拍脑袋、去重后分布偏斜等生产级坑点与验收清单。
投稿
微信公众账号
微信扫一扫加关注
顶部