待验证50% 置信事实精确时间

CLIP的训练数据来自互联网公开爬取的数据集WIT（WebImageText），其规模约为ImageNet（约1400万张标注图像）的近30倍

1

来源数

50%

置信度

长期有效

时效性

2026/8/6

首次发现

来源

用假词造角色：Midjourney语义想象力实验揭秘

相关事实

待验证Common Crawl项目存储了超过2500亿网页的完整HTML快照，压缩后数据量达PB级别，是许多AI模型的主要训练数据来源之一78% 相似待验证现代图像生成模型的训练数据通常来自数十亿张互联网图片及其配套的文本描述74% 相似待验证CLIP于2021年发布，通过从互联网收集的4亿个图像-文本配对数据进行训练73% 相似待验证ImageNet数据集花费数年、动用数万名众包标注员才完成140万张图像的分类标注65% 相似待验证Whisper 的训练数据包含 68 万小时，大量来自互联网上字幕质量参差不齐的视频65% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/693254

API

curl https://kongchang.com/api/v1/knowledge/claims/693254

MCP

get_claim(id=693254)