达摩院开源了一个从在线教学视频中提取的多模态数据集，也可以说是一个视觉-语言预训练的语料库。该数据集包含650万张图片和8亿文本，这些数据是从2.2万小时的在线教学视频中提取的，涵盖了数学、物理、化学等多个基础学科。
参考文献：
[1] https://huggingface.co/datasets/DAMO-NLP-SG/multimodal_textbook
欢迎支持我的知识星球（NLP工程化）：Dify源码剖析及答疑，Dify对话系统源码，电子书籍报告下载，公众号所有付费资料。若微信群二维码过期，则加微信buxingtianxia21进群。
NLP工程化知识星球
NLP工程化资料群
