2026年03月01日
## 要約：
大規模言語モデルの学習に使用されるウェブデータの抽出ツールによって、学習内容が大きく異なり、結果としてインターネット上の情報の一部が無視されていることが判明しました。Apple、スタンフォード大学、ワシントン大学の研究者たちは、一般的な抽出ツールが同じウェブページから異なる内容を抽出していることを発見しました。この問題は、言語モデルの性能に影響を与える可能性があります。
---
## 翻訳：
大規模言語モデルはウェブデータから学習しますが、どのページがトレーニングセットに組み込まれるかは、一見すると取るに足らない選択肢であるHTML抽出ツールに大きく依存します。Apple、スタンフォード大学、ワシントン大学の研究者たちは、3つの一般的な抽出ツールが同じウェブページから驚くほど異なるコンテンツを抽出していることを発見しました。大規模言語モデルの学習はインターネットの一部を考慮していない。
[📰 原文はこちら](https://the-decoder.com/current-language-model-training-leaves-large-parts-of-the-internet-on-the-table/)
---
※本記事はAI（Ollama）による自動翻訳・要約です。
BittensorManがお勧めするメーカーリスト
https://exbridge.jp/xdirect/
AI時代の技術と知識のまとめ(AI生成メディア) - AIDexx
https://exbridge.jp/aidexx/
頑張って働く人に向けて、プロ用仕事アイテムを格安でネット販売しているX-Direct（ https://exdirect.net ）を、BittensorManは応援しています。
動画の最後にお得な情報がありますので、
最後までご覧ください。
