跳到主要内容Skip to main content

Models · Data · 多模态

DataComp-1B

固定训练预算下比较数据筛选方法,适合做可复现的缩放实验。

来源DataComp
规模约 14 亿图文对
语言英文为主
格式Parquet / 元数据
许可CC-BY-4.0(元数据);图像随源站
商用元数据可用;图像需逐源核对
获取直接下载元数据
任务适配多模态预训练 / 数据筛选研究
核验日2026-11-19

质量与偏差

固定训练预算下比较数据筛选方法,适合做可复现的缩放实验。

使用边界

图像不随数据集重新分发;商用前要核对源站许可与肖像权。

下一步

  • 打开来源页,下载数据集卡与许可原文,确认版本与获取条件。
  • 先抽 100–500 条样本做质量、语言与敏感内容抽检,再决定是否进训练管线。
  • 如果用于 RAG 或 SFT,先读 RAG 语料怎么选 / SFT 数据怎么配比。
来源:https://huggingface.co/datasets/datacomp/datacomp-1b · 核验日 2026-11-19 · 许可以来源页为准