Pre-training（预训练）

大模型训练的第一阶段。用 海量、低单价、多样化 的文本/图像/视频数据，让模型学会语言/视觉的基础模式。预训练数据量是 SFT 数据量的 10000x 量级。

是什么

1. 在数千亿到数万亿 token 的语料上做自监督学习（next-token prediction）
2. 模型学会语言的语法、语义、世界知识
3. 之后通过 SFT + RLHF 微调到具体任务

数据规模

• GPT-3（2020）：3000 亿 tokens（GPT-3 论文/Wikipedia 核实：原始语料约 4990 亿、加权采样训练见 3000 亿 token）
• GPT-4（2023）：估计 13 万亿 tokens
• Llama 3.1（2024）：15 万亿 tokens
• Llama 4 / GPT-5 级（2025+）：30-50 万亿 tokens 预期

数据来源

• 网络爬取（Common Crawl 等）— 主要来源，但含大量低质量
• 书籍（Books3 等）— 高质量但有版权风险
• 维基百科 — 高质量公开数据
• 代码（GitHub）— Code LLM 训练核心
• 学术论文（arXiv、PubMed）— 专业知识
• 社交媒体 — 对话风格语料（Reddit 等）
• 专有合规数据（版权数据 授权）— 越来越重要

在数据引擎产业中的角色

• 量大 + 单价低 — 对应 龙猫数据 等众包标注模式
• 质量过滤是关键 — 数据清洗、去重、去毒比数据量本身更影响效果
• 版权数据资产化方向 — 合规授权数据成为差异化来源
• 高质量数据枯竭 主要发生在预训练数据这一层

演进

• 2018-2020：BERT / GPT-1/2/3，预训练范式确立
• 2022：ChatGPT 引爆，预训练规模军备竞赛
• 2024：Llama 3.1 15 万亿 tokens，逼近高质量文本数据上限
• 2025+：合成数据 / 多模态扩展 / 测试时计算成为应对路径

相关概念

• SFT / RLHF（后续训练阶段）
• 高质量数据枯竭（核心瓶颈）
• 版权数据 / 合成数据（数据来源）