蚂蚁VLDB最佳论文：用一张“逻辑表”驯服3050亿条训练数据 蚂蚁集团 投稿 量子位 | 公众号 QbitAI 训练一个大模型之前，语料需要经过解析、清洗、去重、质量评分、Token化和样本组装。 规模来到PB级，工程团队每天面对的不止算力账单，还有数百张表、不断增加的特征，以及少数几条就可能让整批任务重跑的异常数据。 以此为背景，论文《OmniTable: A Unified Wide-Table System for Petabyte-Scale LLM Data Curation and Exploration》介绍了一套由**蚂蚁集团**研发的统一宽表系统——**OmniTable。**论文已获今年的**VLDB工业赛道最佳论文**，聚焦的正是大模型训练中非常重要，但也常被忽视的环节——**数据准备。** **△**蚂蚁集团论文获评VLDB 2026工业赛道最佳论文，9月1日在波士顿举行的大会上获颁奖项 论文披露，OmniTable已在生产环境管理**超过35PB、3050亿条以上**的大模型训练数据，覆盖Web、代码、PDF和SFT等数据域。在一项真实SFT数据准备任务中，