Common Corpus: The Largest Collection of Ethical Data for LLM Pre-Training
Pierre-Carl Langlais · Pavel Chizhov · Catherine Arnett · Carlos Hinostroza · Mattia Nee · Eliot Jones · Irène Girard · David Mach · Anastasia Stasenko · Ivan Yamshchikov
首次获取该候选人的完整档案及 StartLux 评估共 20 积分;每位用户单独解锁,之后查看免费。主动刷新 20 积分。
实时查找电子邮箱,费用不超过20积分;未找到邮箱不扣费。
Pierre-Carl Langlais · Pavel Chizhov · Catherine Arnett · Carlos Hinostroza · Mattia Nee · Eliot Jones · Irène Girard · David Mach · Anastasia Stasenko · Ivan Yamshchikov
Pedro Ortiz Suarez · Laurie Burchell · Catherine Arnett · Rafael Mosquera · Sara Hincapié Monsalve · Thom Vaughan · Damian Stewart · Malte Ostendorff · Idris Abdulmumin · Vukosi Marivate · Shamsuddeen Hassan Muhammad · Atnafu Lambebo Tonja · Hend Al-Khalifa · Nadia Ghezaiel Hammouda · Verrah Akinyi Otiende · Tack Hwa Wong · Jakhongir Saydaliev · Melika Nobakhtian · Muhammad Ravi Shulthan Habibi · Chalamalasetti Kranti · Carol Muchemi · Khang Nguyen · Faisal Muhammad Adam · Luis Frentzen Salim · Reem Alqifari · Cynthia Jayne Amol · Joseph Marvin Imperial · Ilker Kesen · Ahmad Mustafid · Pavel Stepachev · Leshem Choshen · David Anugraha · Hamada Nayel · Seid Muhie Yimam · Vallerie Alexandra Putra · My Chiffon Nguyen · Azmine Toushik Wasi · Gouthami Vadithya · Rob van der Goot · Lanwenn ar C’horr · Karan Dua · Andrew Yates · Mithil Bangera · Yeshil Bangera · Hitesh Laxmichand Patel · Shu Okabe · Fenal Ashokbhai Ilasariya · Dmitry Gaynullin · Genta Indra Winata · Yiyuan Li · Juan Pablo Martínez · Amit Agarwal · Ikhlasul Akmal Hanif · Raia Abu Ahmad · Esther Adenuga · Filbert Aurelian Tjiaranata · Weerayut Buaphet · Michael Anugraha · Sowmya Vajjala · Benjamin L Rice · Azril Hafizi Amirudin · Jesujoba Oluwadara Alabi · Srikant Panda · Yassine Toughrai · Bruhan Kyomuhendo · Daniel Ruffinelli · Akshata · Manuel Goulão · Ej Zhou · Ingrid Gabriela Franco Ramirez · Cristina Aggazzotti · Konstantin Dobler · Jun Kevin · Quentin Pagès · Nicholas Andrews · Nuhu Ibrahim · Mattes Ruckdeschel · Amr Keleg · Mike Zhang · Casper Rufaro Muziri · Saron Samuel · Sotaro Takeshita · Kun Kerdthaisong · Luca Foppiano · Rasul Dent · Tommaso Green · Ahmad Mustapha Wali · Kamohelo Makaaka · Vicky Feliren · Inshirah Idris · Hande Celikkanat · Abdulhamid Abubakar · Jean Maillard · Benoît Sagot · Thibault Clérice · Kenton Murray · Sarah K. K. Luger
Language identification (LID) is a fundamental step in curating multilingual corpora. However, LID models still perform poorly for many languages, especially on the noisy and heterogeneous web data often used to train multilingual language models. In this paper, we introduce CommonLID, a communit...
Antonio Lopardo · Avyukth Harish · Catherine Arnett · Akshat Gupta
Weight tying, i.e. sharing parameters between input and output embedding matrices, is common practice in language model design, yet its impact on the learned embedding space remains poorly understood. In this paper, we show that tied embedding matrices align more closely with output (unembedding)...