图片-中文图文

专为中文多模态场景构建的图文配对数据集。

10149.7万条数据更新时间 2026-06-08

数据集简介

主要数据内容包括：大规模中文图文配对数据（Chinese Image-Text Pair）超过 1 亿组互联网中文图片与文本描述数据覆盖人物、商品、风景、生活、文化等多类别视觉内容高质量中文 Caption 与视觉语义数据资源包含图片 URL、文本标签与元数据信息面向中文多模态预训练的跨模态数据资源支持的能力方向包括：中文 Vision-Language Model（VLM）训练中文多模态大模型预训练图文语义对齐与跨模态学习图像检索与文本检索训练文生图（Text-to-Image）与视觉理解任务中文 CLIP 类模型训练与零样本学习适用于：中文多模态 AI 模型研发AIGC 图像生成与理解中文视觉语言基础模型训练图文检索与语义分析任务多模态 Benchmark 评测与算法验证计算机视觉与跨模态数据研究

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。