MINT-1T：规模扩大 10 倍的开源多模态数据集

MINT-1T是一个开源的多模态交错数据集，包含一万亿个文本词符和34亿张图片，规模比现有开源数据集扩大10倍。该数据集还包括PDF、ArXiv论文等全新来源，并发布了所有子集，包括HTML数据、PDF数据和ArXiv数据。