fastText评分器

PreSelect是一款高效预训练数据选择工具，旨在通过智能筛选高质量数据，显著降低语言模型训练的计算需求。它基于fastText的轻量级评分器，能够快速评估数据质量，并提供100B的高质量数据集，直接用于模型训练。使用PreSelect，仅需30B数据即可达到传统300B数据训练的效果，计算需求降低10倍，极大提升了训练效率。