Multimodal C4：一个开放的、具有十亿级图像的文本语料库

以下是本新闻的三个核心要点： - Multimodal C4（mmc4）是一个公开可用的数据集，它将纯文本的c4语料库与交错的图像相结合，支持像Flamingo这样的上下文视觉和语言模型。该数据集使用带有CLIP特征的线性分配算法创建，涵盖日常主题，包含103M个文档、585M个图像和43B个英文标记，其中90%的图像与主题相关。 - 这个数据集可以帮助开发者训练更加准确的上下文视觉和语言模型，提高了机器的理解能力，有助于机器在理解自然语言的同时，更好地理解图像。 - Multimodal C4的开放将会促进自然语言处理和计算机视觉的发展。它将使研究人员和开发者能够更好地理解和掌握图像和语言之间的关系，帮助他们在这个领域取得更好的研究成果。 （以上内容已使用markdown格式编写）