一万亿token！34亿张图像，扩大10倍！史上最大开源多模态数据集MINT-1T发布！
作者 | 谷雨龙泽
众所周知，现在训练AI最需要的是什么？
数据，数据，还是数据。——毕竟只有让AI学好了，AI才能好好地回答你的问题，否则就会答非所问。
但是喂给AI的数据，现在和GPU一样，成了紧缺资源。前不久有人试图用AI自己造的数据来喂AI，结果发现这样的话AI越学越笨，最后连他亲妈来了都不忍直视的那种。
不过，最近来了个天大的好消息——MINT-1T来了！
MINT-1T是一个包含一万亿token的多模态预训练数据集，它是史上最大的同类数据集，并且比以前的开源数据集更加多样化。
把开源多模态数据集的规模扩展了10倍，达到万亿token！
数据集来源于HTML、PDF和ArXiv论文等不同源，都是精挑细选的好货，妈妈再也不用担心我的AI吃不饱了！
论文标题：
MINT-1T: Scaling Open-Source Multimodal Data by 10x: A Multimodal Dataset with One Trillion Tokens
论文链接：
https://arxiv.org/abs/2406.11271
GitHub链接：
https://github.com/mlfoundations/MINT-1T
MINT-1T有多大？扩了10倍
大规模开源预训练数据集对开发透明的开源模型至关重要。大型多模态模型(MLM)是未来的研究趋势,这需要海量的多模态数据。
然而,现有的开源多模态数据集在规模和多样性上远逊于纯文本数据集,限制了模型的学习广度。这一局限无疑阻碍了开源LMM的发展,导致开源与闭源模型之间出现了能力差距。
MINT-1T 包含总共 1 万亿个token和 34亿张图像，来自 HTML、PDF 和 ArXiv 等不同来源。在 MINT-1T 之前，该领域最大的开源数据集是 OBELICS，其中包括 1150 亿个文本标记和 3.53 亿张图像，全部来自 HTML。
MINT-1T是如何诞生的？
MINT-1T的构建涉及多个步骤。
1.数据源收集
HTML文档：通过解析CommonCrawl的WARC文件中的DOM树来获取，获取文档的时间范围是2017年5月到2024年4月，比之前的OBELICS项目覆盖的时间更长。接着排除掉无图、图像过多以及其他不适合的文档。 PDF文档：从 2023 年 2 月到 2024 年 4 月的 CommonCrawl WAT 文件中获取。最初，所有 PDF 链接都是从这里提取的；然后研究团队尝试使用 PyMuPDF 下载和读取 PDF，剔除掉过大文件和没有文本的页面，并为其余页面标注阅读顺序，便于AI阅读。 ArXiv文档：团队使用 TexSoup 从 LaTeX 源代码入手来取得，对于多文件论文则识别主 Tex 文件，并且通过删改LaTeX 代码实现对论文中导入、参考文献、表格等“无关紧要”的数据的清理。
2.数据过滤
文本数据过滤：团队最初使用Fasttext的语言识别模型（置信度阈值为 0.65）过滤掉非英语文档，还利用URL字符串检索删除不良信息。此外，还应用RefinedWeb中的文本过滤方法，专门删除具有过多重复n-gram的文档和低质量的文档。 图像数据过滤：在整理PDF和HTML文件后，MINT-1T尝试下载HTML数据集中的所有图像 URL，删除不可检索的链接、没有有效图像链接的文档、小于 150 像素的图像（避免徽标等无关内容）、大于 20,000 像素的图像、宽高比过于失衡的图像。值得注意的是，HTML文档中的图像要求在2:1之内（删掉广告），而PDF放宽到3:1之内，此举做法是避免一些论文中的图片被误删。 安全数据过滤：MINT-1T将NSFW图像检测器应用于数据集中的所有图像。如果文档包含单个 NSFW 图像，则整个文档将被删除。此外，为降低个人数据泄露的风险，文本数据中的电子邮件地址和 IP 地址将使用化名代替。
3.数据去重
团队采用了多种方法进行数据去重。首先执行了段落和文档级别的去重，以消除重复的内容。接着移除了常见的模板文本，减少了无用的重复信息。此外团队还进行了图像去重，确保每个图像是独一无二的。
4.数据处理
利用大约2350个CPU内核和大量的计算资源来处理数据，整个过程大约消耗了42百万CPU小时。
在经过了如上过程之后，热乎乎的数据集就被端上来供大家品鉴了！
MINT-1T数据的多样性
MINT-1T数据集的多样性主要体现在其来源广泛。不仅包括HTML数据源，还首次纳入了PDF和ArXiv文档。
PDF文件通常包含学术文章、技术报告、书籍等内容，这些内容的加入显著增加了数据集的学术性和专业性；MINT-1T通过解析ArXiv论文，获取了大量的科学图像和文本数据。这些数据的加入，使得数据集在科学领域的应用更加广泛和深入。与仅基于HTML的OBELICS数据集相比，MINT-1T提供了10倍的数据规模增长，进一步增强了模型的泛化能力。
此外，MINT-1T包含了一万亿个文本标记，这些文本数据来自不同的来源和领域，涵盖了各种语言风格、主题和内容。数据集还包含了三十四亿张图像，这些图像与文本数据紧密交织，形成了多模态的数据结构。图像数据的加入，使得数据集在视觉理解和生成任务中更具优势。
MINT-1T有多强？来跑跑看
都说“是骡子是马拉出来遛遛”，光说不练假把式，终于到了大家喜闻乐见的正面对狙，啊不，评估环节。
团队通过测试在该数据集上训练的多模态模型（LMMs）的性能来评估MINT-1T的水准，并将其与在先前领先的数据集（如OBELICS）上训练的模型进行比较。
上下文学习：在各种字幕基准和视觉问答数据集上，对模型进行上下文学习性能评估。 多图像推理：在MMMU（包含单图像和多图像问题）和Mantis-Eval（所有多图像问题）上评估模型，以探索上下文学习评估之外的多图像推理能力。
团队先将MINT-1T的HTML部分与OBELICS进行了比较（因为OBELICS也是从HTML文档中精选出来的）。在MINT-1T（HTML）文档上训练的模型在VQA任务上的表现优于OBELICS，但在字幕基准上表现更差。平均而言，OBELICS的性能略好于MINT-1T（HTML）。
随后，团队使用MINT-1T的完整数据进行训练，50%的数据来自HTML，45%来自PDF，5%来自ArXiv。在完整的MINT-1T数据混合上训练的模型在大多数上下文学习基准上优于 OBELICS 和 MINT-1T（HTML）。在更复杂的多模态推理基准测试中，MINT-1T模型在MMMU上优于 OBELICS，但在Mantis-Eval上表现较差。
在字幕和视觉测试中，OBELICS在四镜头字幕基准上表现优于所有MINT-1T变体，但是在八镜头字幕上表现上，MINT-1T更胜一筹。
测试表明，使用MINT-1T训练的模型在文本和多模态基准测试中表现优异，同时提供了10倍的数据规模提升，验证了MINT-1T在大规模多模态预训练中的有效性，大家放心大胆用就完了！
题外话：薄荷
英语单词MINT有一个意思是薄荷。如果你玩过《植物大战僵尸2》，你就会知道里面有一类特殊的植物——薄荷。植物根据其特性分为十四个家族，每个家族对应一种薄荷，当薄荷上场的时候会短暂增强场上所有该家族植物的能力。
笔者希望这个数据集也和“神奇薄荷”一样，为AI的发展注入新的强劲动力！
微信扫码关注该文公众号作者