谷歌全网扒1000亿图像文本对，ViT大佬坐镇：数据Scaling潜力依旧

明敏
2025-02-13
17:13:47

来源：量子位

明敏 发自 凹非寺

量子位 | 公众号 QbitAI

史上最大规模视觉语言数据集：1000亿图像-文本对！

什么概念？

较此前纪录扩大10倍。

这就是由谷歌推出的最新数据集WebLI-100B。

它进一步证明，数据Scaling Law还远没有到上限。

在英文世界之外的多元文化、多语言维度，1000亿规模数据集能更好覆盖长尾场景，由此带来明显性能提升。

这意味着，想要构建更加多元的多模态大模型，千亿级数据规模，将成为一个重要参考。

同时研究还进一步证明，CLIP等模型的过滤筛选步骤，会对这种多元性提升带来负面影响。

该研究由谷歌DeepMind带来，一作为Xiao Wang、 Ibrahim Alabdulmohsin。

作者之列中还发现了ViT核心作者翟晓华。2024年12月，他在推特上官宣，将入职OpenAI苏黎世实验室。

数据规模越大对细节理解越好

论文主要工作有三方面。

• 验证VLMs在1000亿规模数据集上的效果
• 证明1000亿规模数据集能增强VLMs文化多样性、多语言能力以及减少不同子组之间的性能差异。
• 发现CLIP这类模型过滤筛选数据的过程会对无意中降低模型的文化多元性，在1000亿规模数据集上亦是如此。

具体来看，研究人员从网络上搜集了1000亿图像-文本对，初步去除有害内容以及敏感信息。

然后使用CLIP模型对数据集进行质量评估，筛选出与图像内容高度对齐的图像-文本对。

他们训练了一个分类器模型，对图像-文本进行对齐和错位分类，并调整阈值以重新筛选数据集。为了评估多语言能力，还使用网页的语言标签来确定数据集中的语言分布。

为了评估不同数据规模对模型性能的影响，研究人员从1000亿数据集中随机抽取了1%和10%的数据，分别创建了10亿和100亿规模的数据集。

同时为了提高低资源语言的代表性，研究人员对低资源语言进行了上采样，将它们的占比从0.5%提高到1%。

实验方面，研究人员使用SigLIP模型在不同规模的数据集上进行对比视觉语言预训练。

他们训练了不同大小的模型（ViTB/16、ViT-L/16、ViT-H/14），并使用了大规模的批量大小和学习率调度。

从结果来看，1B数据集训练的模型在注意力图上无法很好捕捉细节。10B数据集有所改善，100B数据集能更精准。

同时使用多语言mt5分词器对文本进行分词，并训练了多种语言的模型。

在模型评估上，研究人员主要进行以下几个维度分析：

• 传统基准测试：多个传统基准测试（如ImageNet、COCO Captions等）上评估。
• 文化多样性：使用Dollar Street、GeoDE和Google Landmarks Dataset v2等数据集评估了模型在文化多样性任务上的性能。
• 多语言能力：使用Crossmodal-3600数据集评估了模型在多语言任务上的性能。
• 公平性：评估了模型在不同子组（如性别、收入水平、地理区域）上的性能差异，以评估模型的公平性。

结果显示，从100亿到1000亿规模数据，在以西方文化为主的传统基准测试上带来的提升比较有限，但在多语言能力和公平性相关任务上显著提高。

数据过滤可以提高模型在传统任务上的性能，但可能会减少某些文化背景的代表性，从而限制数据集的多样性。

此外，通过调整低资源语言的混合比例，可以显著提高模型在低资源语言基准测试上的性能。

主创翟晓华已被OpenAI挖走

该研究的一作为Xiao Wang和Ibrahim Alabdulmohsin。

Xiao Wang本科毕业于南京大学，硕士毕业于北京大学。

领英资料显示，他毕业后先后任职于IBM中国开发实验室、网易有道。2015年加入谷歌DeepMind至今，职位是高级软件工程师，主要从事视觉语言研究。

主创中还发现了翟晓华的身影。

他同样本科毕业于南京大学，在北京大学攻读博士学位后，赴苏黎世加入谷歌。

翟晓华和卢卡斯·拜尔（Lucas Beyer）、亚历山大·科列斯尼科夫（Alexander Kolesnikov）一起在谷歌提出多项重要工作。

2021年，他们三人作为共同一作的计算机视觉领域神作ViT发布即刷新ImageNet最高分。

这项研究证实了CNN在CV领域不是必需的，Transformer从NLP跨界，一样可以取得先进效果。开创了Transformer在CV领域应用的先河。

目前这篇论文被引用量已超过5.3万。

他在谷歌DeepMind时领导苏黎世多模态研究小组，重点研究多模态数据（WebLI）、开放权重模型 ( SigLIP、PaliGemma )以及文化包容性。

2024年12月，爆料称OpenAI挖走ViT三大核心作者。随后，该消息被本人证实。

论文地址：
https://arxiv.org/abs/2502.07617

Read More