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