请说明大模型训练数据集通常包含哪些类型，以及它们分别用于哪些训练阶段？

回答思路

1. 区分预训练、指令微调、对齐等阶段的数据
2. 说明文本、代码、多模态等数据类型的用途
3. 结合数据清洗、去重、质量过滤等处理步骤
4. 提及数据规模、多样性和平衡对模型效果的影响