DataComp-VLM: Improved Open Datasets for Vision-Language Models

• 类型：arxiv
• 标识：2606.28551
• 链接：https://arxiv.org/abs/2606.28551
• 主分类：multimodal
• 形态：benchmark
• 被引：1
• 被引来源：Semantic Scholar
• S2被引：1
• OpenAlex被引：0
• 影响力被引：0
• TLDR：It is found that data mixing, not filtering, is key to a high-quality training dataset: instruction-heavy mixtures scale better than caption-heavy ones, with gains widening at larger scales.
• OpenAlex ID：W7166695108
• OpenAlex DOI：10.48550/arxiv.2606.28551
• DOI：10.48550/arxiv.2606.28551
• DOI来源：OpenAlex
• OpenAlex Venue：MPG.PuRe (Max Planck Society)
• Venue：MPG.PuRe (Max Planck Society)
• Venue键：other
• Venue来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://doi.org/10.48550/arxiv.2606.28551
• OpenAlex更新：2026-07-19
• 副分类：evaluation
• 待LLM分类：否
• 标题中文：DataComp-VLM：面向视觉-语言模型的改进开源数据集
• TLDR中文：数据混合（而非过滤）是构建高质量训练数据集的关键：以指令型数据为主的混合在扩展时优于以描述型数据为主的混合，且规模越大优势越明显。
• 来源文件：
• /inbox/tom/_candidates/2026-07-07-rag-retrieval-reranking-candidates.json
• /inbox/tom/_candidates/2026-07-06-agent-rag-longcontext-candidates.json
• [S2 enrich]
• [OpenAlex backfill]