萬億token！史上最大多模態數據集誕生

AIGC動態歡迎閱讀

原標題：萬億token！史上最大多模態數據集誕生
關鍵字：數據,模型,基準,團隊,來源
文章來源：機器之心
內容字數：0字

內容摘要：

機器之心報道
編輯：Panda W開源多模態大模型或將開始騰飛。值此 Llama 3.1 各大頭條之際，又突然冒出了另一個也非常重要的發布 —— 一個規模空前的開源多模態數據集。
對大模型來說，數據集的重要性無需多言，甚至可以說沒有大型數據集就不可能有大模型。現在正是多模態大模型（LMM）發展正盛的時候，規模足夠大的優質且開源的多模態數據集已經成為該領域的一大「剛需」。不過，相比于開源的文本數據集，現有的開源多模態數據集都比較小、多樣性也不足，并且來源基本都是 HTML 文檔 —— 這就限制了數據的廣度和多樣性。這無疑限制了開源 LMM 的發展，讓開源 LMM 與閉源 LMM 之間的差異變得非常大。
近日，華盛頓大學、Salesforce Research 和斯坦福大學等機構的聯合團隊填補了這一空白，構建了一個萬億 token 級的交織多模態的開源數據集 MINT-1T（Multimodal INTerleaved）。毫無疑問，這是目前最大的開源多模態數據集。數據集地址：https://github.com/mlfoundations/MINT-1T
論文地址：https://ar

原文鏈接：萬億token！史上最大多模態數據集誕生

聯系作者

文章來源：機器之心
作者微信：
作者簡介：