LLM-N-Gram重复比率过滤（DLC）组件主要用于保留字符级或词语级N-Gram重复比率在指定范围内的样本。输入的OSS数据文件（JSONL格式，示例）需符合：每一行是一个合法的JSON对象，文件由多行JSON对象组成，整个文件本身不是合法的JSON对象。
支持的计算资源
算法说明
将文本中的内容按照字符或词语进行大小为N的滑动窗口操作，形成了长度为N的片段序列。每一个片段称为Gram，对所有Gram的出现次数进行统计。最后统计频次大于1的Gram的频次总和 / 所有Gram的频次总和两者比率作为重复比率进行样本过滤。
如果是词语级统计，会先将所有单词转成小写格式再计算重复度。
配置组件
在Designer工作流页面添加LLM-N-Gram重复比率过滤（DLC）组件，并在界面右侧配置相关参数：
参数类型 | 参数 | 是否必选 | 描述 | 默认值 | |
字段设置 | 目标处理字段 | 是 | 要处理的字段名称。 | 无 | |
是否根据字符级N-Gram重复比率过滤 | 否 | 如果选中，需配置以下参数：
| 未选中 | ||
是否根据词语级N-Gram重复比率过滤 | 否 | 如果选中，需配置以下参数：
| 未选中 | ||
数据输出OSS目录 | 否 | 处理后数据的OSS存储目录。如果为空，使用工作空间默认路径。 | 无 | ||
执行调优 | 多进程个数 | 否 | 设置进程数。 | 8 | |
选择资源组 | 公共资源组 | 否 | 选择节点规格（CPU或GPU实例规格）、节点数量、专有网络。 | 无 | |
专有资源组 | 否 | 选择CPU核数、内存、共享内存、GPU卡数、节点数量。 | 无 | ||
最大运行时长 | 否 | 组件最大运行时长，超过这个时间，作业会被kill。 | 无 | ||