图片-图文配对

大规模图像与文本对应数据，是多模态训练的重要基础资源。

1302.4万条数据更新时间 2026-06-08

数据集简介

主要数据内容包括：大规模图文配对数据（Image-Text Pair）超过千万级高质量互联网图像与文本描述数据包含图片 Caption、URL、分辨率、EXIF 与哈希等元数据信息整合 CC3M、CC12M、DataComp 等公开多模态数据资源经过 CLIP、MLM-Filter 等质量过滤后的高质量视觉语义数据支持 WebDataset 格式的大规模多模态训练数据支持的能力方向包括：Vision-Language Model（VLM）训练多模态大模型（MLLM）预训练图像描述（Image Captioning）训练图文语义对齐与跨模态学习多模态推理与视觉理解能力训练OCR、视觉问答（VQA）与视觉生成相关任务训练适用于：多模态 AI 模型研发Qwen2VL 类视觉语言模型训练图文生成与理解任务AIGC 多模态数据训练多模态 Benchmark 与算法评测大规模视觉语义数据研究

数据质量

记录时效性

按需更新

记录结构化

NDJSON、JSON、CSV、XLSX、Parquet，支持定制化

记录云交付

Amazon S3、Snowflake、Alibaba Cloud OSS、Google Cloud Storage、Google Drive

记录标准化

为保证数据的一致性与可用性，数据集在构建过程中对原始记录进行了标准化处理，包括：（1）单位标准化：统一价格、重量、尺寸等字段的计量单位；（2）格式标准化：统一日期、时间、数值字段的表示格式；（3）文本清洗：去除 HTML 标签、多余空格及异常字符；（4）字段规范化：统一字段命名、数据类型与缺失值表示方式。该过程确保数据在不同来源和不同采集批次之间保持结构一致性，便于后续分析与建模。

记录代表性

数据覆盖全量业务场景，样本均衡，具备行业代表性

需要定制更适合业务场景的数据集？

我们支持公开数据浏览、关键词筛选与企业级定制交付，帮助你更快完成模型训练与数据分析落地。