为了训练AI模型，需要收集和准备足够的数据。数据应该涵盖各种情况和场景，以确保系统在各种情况下都能准确地运行。数据原始来源应该是真实的，并且应该涵盖系统预计的使用情况。数据应该根据特定的需求进行采样和处理，可以来自各种来源，例如公共数据集、第三方数据提供商、内部数据集和模拟数据集等。很多大模型训练的数据从广义上可以分成两大类，其一是通用文本数据，包含了网页、书籍、网络留言以及网络对话，这类主要是因为获取容易、数据规模大而被广泛的大模型利用，通用文本数据更容易提高大模型的泛化能力；其二是专用文本数据，主要是一些多语言类别的数据、科学相关的产出数据以及代码，这类数据可以提高大模型的专项任务的能力。在准备数据时，还应该注意数据的质量，例如数据的准确性、完整性和一致性。另外，还应该考虑隐私和安全问题，如果数据包含敏感信息，例如用户的个人身份信息，应该采取脱敏措施确保数据的安全性和隐私性。数据收集和准备是测试AI系统的重要步骤之一，需要充分的计划和准备，以确保测试的准确性和全面性。
数据收集完成后，通常是要对数据进行清洗，这里的清洗说的是对数据一些“不好”的内容的处理，这里的不好指的是数据的噪音、冗余、有毒等内容，从而确保数据集的质量和一致性。
无论收集到的数据集是通用文本数据、还是专用文本数据都要经过一系列的数据清洗才能用于 LLM 模型的训练，在面对初始收集的数据集需要首先通过质量过滤提高数据集的数据质量，常规的做法是设计一组过滤规则，消除低质量的数据，从而实现数据质量的提高。那么常用的规则有基于语言的过滤规则、基于度量的过滤规则、基于关键词的过滤规则