/

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
苹果48GB M5 Pro MacBook Pro创历史新低，直降300美元

消费电子

硬件配置

价格新低

2026-05-17

苹果48GB M5 Pro MacBook Pro创历史新低，直降300美元

B&H近期对多款M5 Pro MacBook Pro机型推出300美元优惠。14英寸M5 Pro版本（48GB内存+1TB固态硬盘）现售价2299美元，较原价2599美元节省300美元，且该配置在亚马逊无法购买，折扣机会更为难得。此外，16英寸M5 Pro版本（64GB内存+1TB固态硬盘）同样享有300美元折扣。B&H在多款高配MacBook机型上的定价已低于亚马逊，是近期可找到的最优价格。

AI助手越权了？南加州大学等机构揭示大模型代理的“权限失控“问题

AI代理安全

技能层权限控制

过度权限基准测试

2026-05-15

AI助手越权了？南加州大学等机构揭示大模型代理的“权限失控“问题

FORTIS是专门测量AI代理"越权行为"的基准测试，研究发现十款顶尖模型普遍选择远超任务需要的高权限技能，端到端成功率最高仅14.3%。

Insta360 GO 3S复古套装：怀旧美学与4K影像的融合

数码相机

影像技术

复古美学创新

2026-05-17

Insta360 GO 3S复古套装：怀旧美学与4K影像的融合

Insta360推出GO 3S复古套装，将现代4K运动相机与胶片时代美学结合。套装核心仍是仅重39克的GO 3S，新增复古取景器、胶片风格滤镜、NFC定制外壳及可延长录制时长至76分钟的电池组。复古取景器模仿老式腰平相机设计，鼓励用户放慢节奏、专注构图。相机内置11种色彩预设及负片、正片等滤镜，同时保留FlowState防抖、4K拍摄及10米防水能力，面向热衷复古影像风格的年轻创作者。

荷兰Nebius团队：给AI“起草员“瘦身，大模型推理速度最高提升5倍的秘密

大语言模型

投机解码

低秩压缩

2026-05-15

荷兰Nebius团队：给AI“起草员“瘦身，大模型推理速度最高提升5倍的秘密

荷兰Nebius团队提出SlimSpec，通过低秩分解压缩草稿模型LM-Head的内部表示而非裁剪词汇，在保留完整词汇表的同时将LM-Head计算时间压缩至原来的五分之一，端到端推理速度超越现有方法最高达9%。

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