データセット戦略 大規模言語モデル【事前学習：データセットC-5】フィルタリング手法の系統的評価 Common Crawl、C4、The Pile、Dolma、FineWebの前処理戦略を系統的に比較分析。各フィルタリング手法の効果と、品質・多様性・コストのトレードオフを可視化 2026.03.31 データセット戦略
データセット戦略