/

商汤、清华、复旦等开源百亿级多模态数据集，可训练类GPT-4o模型

商汤科技等机构联合开源了百亿级图文交错数据集OmniCorpus，规模是现有数据集的15倍，包含86亿张图像和16,960亿个文本标记。OmniCorpus数据集在多语言、多类型数据抓取上进行了优化，提高了内容提取的质量和完整性。通过人工反馈和自动过滤规则，确保了数据集的高质量。在VQA和Image Captioning等测试中，基于OmniCorpus预训练的模型表现出色，对训练多模态大模型有重要帮助。
商汤科技、清华大学、上海AI实验室、哈尔滨工业大学、香港中文大学、复旦大学和南京大学的研究人员联合开源了百亿级图文交错数据集——OmniCorpus。
与现有的MMC4、OBELICS等数据集相比，OmniCorpus在规模上扩大了15倍，包含86 亿张图像和16,960亿个文本标记。在数据质量上同样出色，不仅涵盖了英语网站，还包含了非英语网站及视频为中心的平台，确保了内容的广泛性和丰富性。
此外，OmniCorpus还可以从图像文本交织格式轻松降级为纯文本语料库或图像文本对，以满足不同领域研究需求。
开源地址：https://github.com/OpenGVLab/OmniCorpus
论文地址：https://arxiv.org/abs/2406.08418
商汤、清华、复旦等开源百亿级多模态数据集，可训练类GPT-4o模型
OmniCorpus数据集介绍
为了抓取不同语言、类型的数据，研究人员对Trafilatura工具进行了优化，能够更准确地识别和提取HTML文档中的主要内容区域，同时处理更多语言的数据。
还增强了对图像的提取能力，确保了在没有足够文本内容的情况下，能够基于HTML结构的密度来增强部分区域，显著提高了内容提取的质量和完整性。
商汤、清华、复旦等开源百亿级多模态数据集，可训练类GPT-4o模型
在提取到主题数据之后进入初步的文本过滤阶段，目的是去除那些质量极低的文档，包含大量数字、文本过长或过短填充文本的文档。
研究人员使用了Gopher和C4策略，并引入了一些启发式规则，例如，去除连续行数过多或单个词频过高的文档等，有效减少了数据集中的冗余。
商汤、清华、复旦等开源百亿级多模态数据集，可训练类GPT-4o模型
随后又进行了图像过滤，包括模糊、尺寸、宽高比不合适的图像。根据LAION-5B的指导方针，任何审美分数低于3.7或NSFW分数高于0.8的图像也将被排除，确保了图像数据的质量和相关性。
商汤、清华、复旦等开源百亿级多模态数据集，可训练类GPT-4o模型
为了进一步提升OmniCorpus数据集的质量，还引入了人工反馈机制会根据完整性、可理解性、流畅性、相关性和安全性等标准，对文档的子集进行大规模采样。然后手动设计额外的过滤规则，进一步去除低质量文档。
OmniCorpus测试数据
为了评估OmniCorpus数据集的性能，研究人员在VQA、Image Captioning、MLLM等测试平台上进行了综合测试。
在VQA视觉问答的众多子任务中，基于OmniCorpus数据集预训练的模型展现了强大的性能，不仅能够准确识别图像中的对象和场景，还能够理解问题的上下文给出准确的答案。
商汤、清华、复旦等开源百亿级多模态数据集，可训练类GPT-4o模型
例如，在VQAv2测试中，模型的平均准确率达到了81.2%，在TextVQA上达到了61.7%，这比之前的训练数据集得分更高。
在Image Captioning测试任务中，OmniCorpus数据集的多样性和丰富性为模型提供了广泛的训练样本，使其能够捕捉到图像中的主要对象和事件，并理解和表达图像中的细节和情感。
在COCO Caption和Flickr30K Caption这两个图像描述基准测试中，基于OmniCorpus数据集预训练的模型生成的描述在质量和准确性上都有显著提升。所以，OmniCorpus数据集对于训练类似GPT-4o、Gemini等多模态大模型有很大的帮助。

 

来源：AIGC开放社区

0赞

好文章，需要你的鼓励

推荐文章
如何消除软件开发瓶颈

软件开发

自动化

开发效率优化

2025-03-31

如何消除软件开发瓶颈

软件开发瓶颈是现代企业面临的关键挑战。本文探讨了消除瓶颈的有效策略，包括优化沟通、提高可视化、自动化流程和培养共同责任文化。专家建议通过异步更新、看板管理和自动化工具来提高效率。同时强调了数据质量、跨团队协作和持续改进的重要性。文章还提到了新兴技术如AI在解决瓶颈问题中的潜在应用。

深度伪造技术会危害您的健康吗？

人工智能

深度学习

虚假信息识别

2025-03-31

深度伪造技术会危害您的健康吗？

随着人工智能技术的发展，深度伪造内容在网络上大量涌现，可能对我们的健康造成潜在威胁。从虚假名人代言到有害的AI生成医疗建议，深度伪造正在助长一波危险的虚假信息浪潮。本文探讨了深度伪造在医疗保健领域的负面影响，以及如何在这个充满虚假信息的时代保护自己的健康。

INCYMO 推出基于 AI 的移动游戏创意广告平台

人工智能

广告技术

创意优化

2025-03-31

INCYMO 推出基于 AI 的移动游戏创意广告平台

INCYMO.AI 推出了一个革新性的 AI 驱动创意平台，专注于移动游戏广告制作。该平台基于 10 万多个市场验证广告的数据分析，通过 AI 技术为游戏营销人员提供创意构思和广告生成服务。在创意疲劳、用户获取成本上升和隐私限制的当前环境下，该平台为游戏营销开辟了一条数据驱动的全新道路。

Databricks 与 Anthropic、Palantir 达成企业 AI 合作

人工智能

大语言模型

模型优化

2025-03-31

Databricks 与 Anthropic、Palantir 达成企业 AI 合作

Databricks 与 Palantir 签署合作协议，开发出更优的大语言模型微调方法，并与 Anthropic 达成为期五年的战略联盟，将 Claude 大语言模型整合到其数据湖平台中。此次合作将为企业客户提供更强大的 AI 能力，包括军工级安全性、高效的模型训练以及全面的数据治理，助力企业打造专属 AI 应用。

2024

09/02

16:04

分享

点赞

AIGC开放社区

专注AIGC领域的专业社区，关注微软OpenAI、百度文心一言、讯飞星火等大语言模型（LLM）的发展和应用落地，聚焦LLM的市场研究和AIGC开发者生态，欢迎关注！

最近文章 :
阅读更多内容，猛戳这里

友情链接

业界热点:

北京第二十六维信息技术有限公司（至顶网）版权所有. 京ICP备15039648号-7 京ICP证161336号京公网安备 11010802021500号  京网文(2025) 0096-033号  京字第20868号

举报电话：010-62641205　涉未成年人举报专线：010-62641208 举报邮箱：jubao@zhiding.cn　公开举报受理处置规则

网上有害信息举报专区：https://www.12377.cn

安全联盟认证