Multimodal-C4 (mmc4)
收藏OpenDataLab2026-04-05 更新2024-05-09 收录
下载链接：
https://opendatalab.org.cn/OpenDataLab/Multimodal-C4_mmc4
下载链接
链接失效反馈资源简介：
多模态 C4 (MMC4) 是流行的纯文本 c4 语料库的增强，图像交错。 语料库包含 103M 文档，其中包含 585M 图像与 43B 英文标记交错。
Multimodal C4 (MMC4) is an enhanced version of the widely popular plain-text C4 corpus, with images interleaved into the textual content. The corpus contains 103 million documents, which collectively interleave 585 million images and 43 billion English tokens.
提供机构：
OpenDataLab
创建时间：
2023-05-09
AI搜集汇总
数据集介绍
背景与挑战
背景概述
Multimodal-C4 (mmc4) 是一个大规模多模态预训练数据集，基于纯文本C4语料库增强，包含103M文档，其中图像与文本交错，涵盖585M图像和43B英文标记。该数据集由学术机构联合发布，主要用于图像文本网页预训练和预训练语言模型任务，支持多模态AI研究。
以上内容由AI搜集并总结生成
