通过困惑度相关性改善预训练数据

通过比较简单和复杂的数据质量评估方法，发现困惑度方法有效去除数据噪声和提升预训练数据集质量。只使用30%的原始训练数据即可改进基准模型，为自动筛选高质量数据集提供新方法。