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
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。
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。
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。
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。
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。
