MINT-1T：拥有一万亿Token和34亿张图像的多模态数据集

Salesforce AI宣布开源MINT-1T，这是首个拥有一万亿个Token的多模态交织数据集。包含一万亿个文本标记和34亿张图像，比现有开源数据集规模大10倍。此外，还纳入了 PDF 和 ArXiv 论文等之前尚未开发的资源。

多模态交织文档是包含图像和文本的序列结构，能够训练跨图像和文本模式推理的大型多模态模型。

数据集构建原则

• 规模：MINT-1T的数据量达到一万亿个Token，比之前最大的开源数据集（如 OBELICS 和 MMC4 ）扩大了近10倍，这使得研究人员可以训练更大的多模态模型。
• 多样性：MINT-1T不仅包含HTML文档，还包括PDF文档和ArXiv论文。这些额外的文档来源显著提高了科学文档的覆盖率，丰富了数据集的多样性。

数据集内容

MINT-1T 数据集的构建涉及多种来源的数据收集、处理和过滤步骤，以确保数据的高质量和多样性。

数据来源

1. HTML 文档：

   • 从 CommonCrawl 中提取 HTML 文档。
   • 处理时间范围从 2017 年 5 月到 2024 年 4 月，使用了 2018 年 10 月到 2024 年 4 月的完整数据和之前年份的部分数据。
   • 过滤条件：排除没有图像或超过30张图像的文档，以及图像URL包含不合适子串（如 logo, avatar, porn, xxx）的文档。

2. PDF 文档：

   • 从 CommonCrawl WAT 文件中提取 PDF 文档，处理时间范围从 2023 年 2 月到 2024 年 4 月。
   • 使用 PyMuPDF 工具下载和解析 PDF 文件。
   • 过滤条件：排除大于 50MB 或超过 50 页的 PDF，排除没有文本的页面，并根据页面上的文本块和图像的边界框位置来确定图像的插入顺序。

3. ArXiv 文档：

   • 使用 LaTeX 源代码构建交错文档。
   • 解析 LaTeX 代码中的 figure 标签，将图像与文本交错。
   • 处理多文件论文，识别主文件并清理 LaTeX 代码（如移除导入、参考文献、表格和引用标签）。

数据过滤与去重

1. 文本质量过滤：

   • 使用 FastText 模型进行语言识别，排除非英语文档。
   • 移除包含不合适子串的 URL（如 NSFW 内容）。
   • 应用来自 RefinedWeb 和 MassiveText 的文本过滤规则，移除重复的 n-grams 和低质量文档。

2. 图像过滤：

   • 尝试下载所有 HTML 数据集中的图像 URL，移除无法检索的链接。
   • 过滤条件：移除小于 150 像素的图像（避免噪音图像如 logo 和图标）和大于 20,000 像素的图像（通常为无关图像）。
   • 对 HTML 文档，移除长宽比大于 2 的图像；对 PDF 文档，调整阈值为 3 以保留科学图表。

3. 安全过滤：

   • 应用 NSFW 图像检测器，发现单个 NSFW 图像则移除整个文档。
   • 移除个人可识别信息，如电子邮件地址和 IP 地址，并替换为模板或随机生成的无效 IP。

4. 去重处理：

   • 使用 Bloom Filter 进行高效的文本去重，设置误报率为 0.01，去重 13-gram 段落。
   • 移除常见的 HTML 噪音句子（如 “Skip to content” 或 “Blog Archive”）。
   • 基于 SHA256 哈希值进行图像去重，移除在一个快照中出现超过十次的图像，以及单个文档中重复的图像。
   • 数据处理期间，平均使用 2350 个 CPU 核心，总共使用约 420 万 CPU 小时构建数据集。

模型实验

• 预训练：使用MINT-1T预训练了XGen-MM多模态模型，50%的Token来自HTML文档，其余来自PDF和ArXiv文档。
• 评估：在图像说明和视觉问答基准测试中，使用MINT-1T训练的模型表现优于之前的领先数据集OBELICS。评估结果显示，MINT-1T在保持背景一致性、对象位置合理性和对象相关性与质量方面表现优异。

数据集分析

MINT-1T 数据集在规模、数据来源多样性和质量上都有显著提升。以下是对数据集的详细分析：

1. 文档组成比较

• 文本标记分布：通过对50,000个文档的随机抽样分析，使用 GPT-2 的标记器计算每个文档的文本标记数量。结果显示，MINT-1T 的 HTML 子集在标记分布上与 OBELICS 相似，但 PDF 和 ArXiv 文档的平均长度明显更长。

• 图像密度：分析文档中的图像密度发现，MINT-1T 的 PDF 和 ArXiv 文档比 HTML 文档包含更多的图像，其中 ArXiv 样本的图像密度最高。

2. 数据源对文档多样性的提升

• 领域覆盖：使用 LDA 模型对 100,000 个文档进行主题建模，结果表明，OBELICS 数据集的文档主要集中在人文学科和社会科学，而 MINT-1T 的 HTML 子集则表现出更广泛的领域覆盖，PDF 子集则主要集中在科学和技术领域。

3. 上下文学习性能

• 演示示例数量的影响：评估模型在使用 1 到 8 个示例时的上下文学习性能，结果显示，基于 MINT-1T 训练的模型在所有示例数量上都优于基线模型 OBELICS。

4. 不同任务上的表现

• 图像字幕生成和视觉问答：在图像字幕生成任务中，OBELICS 数据集表现更好，而在视觉问答任务中，MINT-1T 数据集显著优于其他基线。

• 不同领域的表现：在多学科多模态理解和推理基准（MMMU）上的性能分析显示，MINT-1T 在科学和技术领域的表现显著优于 OBELICS 和 MINT-1T 的 HTML 子集。

5. 影响模型架构的性能

• XGen-MM 和 Idefics2 实验：使用不同的模型架构（XGen-MM 和 Idefics2）进行实验，结果显示，Idefics2 架构下的 MINT-1T (HTML) 在图像字幕生成和视觉问答任务上表现优异。

总结

通过以上分析，可以看出 MINT-1T 数据集在多样性、质量和规模上都显著优于现有的开源数据集，尤其在科学和技术领域表现突出。基于 MINT-1T 训练的模型在多模态任务中的表现优越，为未来的多模态研究提供了坚实的基础和丰富的资源。

Paper | Datasaset | Blog Post

来源：https://blog.salesforceairesearch.com/mint-1t