LLM-特殊字符占比过滤（DLC）组件主要用于根据特殊字符在过滤样本中的占比，保留在指定比例范围内的样本。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
遍历文本中的每个字符，并统计特殊字符个数占文本总长度的比例。
默认特殊字符包括：标点符号（string.punctuation）、数字（string.digits）、空格符号（string.whitespace）、emoji表情包以及一些特殊字符。
配置组件
在Designer工作流页面添加LLM-特殊字符占比过滤（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 | |
比例最小值 | 否 | 特殊字符个数占文本总长度比例小于该值将被过滤掉，float类型。 | 0 | ||
比例最大值 | 是 | 特殊字符个数占文本总长度比例大于该值将被过滤掉，float类型。 | 无 | ||
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 | ||
反馈
- 本页导读
文档反馈