---
title: "InfiMM-WebMath-40B – 字节联合中科院开源的超大规模多模态数据集"
url: "https://paooo.com/aigc-news/25233/"
author: "Prompt 语宙研究院"
published_at: "2026-07-12T17:18:29+08:00"
updated_at: "2026-07-12T17:18:29+08:00"
categories: "AIGC 资讯"
tags: "AI智能体, HuggingFace, 大模型微调, 开源大模型"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# InfiMM-WebMath-40B – 字节联合中科院开源的超大规模多模态数据集

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/25233/) · 作者：Prompt 语宙研究院 · 发布时间：2026-07-12

## AI 30 秒核心看点 (TL;DR)

- 基于 Common Crawl 构建，经过筛选、清洗、去重与标注，规模达到 40B 级别。
- 融合文本、公式、符号与图像，重点强化多模态模型的数学推理和图文联合理解。
- 可用于数学题库、学习工具、论文阅读与科学研究等多类应用场景。

## InfiMM-WebMath-40B是什么

InfiMM-WebMath-40B 是字节跳动和中国科学院联合开源的超大规模多模态数据集，旨在提升多模态模型的图文混合推理能力，在数学领域。数据集从 Common Crawl 中提取，经过严格的筛选、清洗和标注，包含 2400 万个网页、8500 万个图像 URL 和 400 亿个文本标记，涵盖了丰富的数学和科学相关内容。InfiMM-WebMath-40B 能显著提升模型在数学推理方面的能力，在 MathVerse 和 We-Math 等基准测试中取得了优异的成绩。

## InfiMM-WebMath-40B的主要功能

- **提升数学推理能力**： InfiMM-WebMath-40B 包含大量的数学和科学相关内容，包括文本、公式、符号和图像，帮助 MLLMs 学习数学知识，提升其在数学推理方面的能力。

- **理解多模态信息**： 该数据集是多模态的，包含文本和图像数据，帮助 MLLMs 学习如何将文本和图像信息结合起来进行推理，更好地理解复杂的数学概念和问题。

- **P2 促进模型应用**： 基于 InfiMM-WebMath-40B 预训练的 MLLMs 能更好地应用于数学相关的应用程序，例如数学题库、数学学习工具、数学论文阅读和理解等。

## InfiMM-WebMath-40B的技术原理

- **数据来源**： 基于Common Crawl，包含互联网公开网页内容的大型数据库。

- **数据筛选**：基于关键词匹配，保留包含数学、公式等特定词汇的页面。 设置阈值条件，例如每个文档中至少包含一定数量的 LaTeX 符号。 用 fastText 进行语言过滤，只保留中英文内容。

- **数据提取**：用 Trafilatura 库提取文本内容。 分析网页中的图像 URL，提取与数学内容相关的图像。

- **数据清洗**：用 MinHash 等技术进行去重。 采用基于规则的过滤方法，例如去除包含“lorem ipsum”的短文档、过滤掉含有不适当内容的文档及排除包含 Unicode 错误的文档等。

- **数据标注**：用 LLaMA3-70B-Instruct 模型对数学内容进行评分，并用 fastText 分类器进行高精度过滤。

## InfiMM-WebMath-40B的项目地址

- **HuggingFace模型库**：[https://huggingface.co/datasets/Infi-MM/InfiMM-WebMath-40B](https://huggingface.co/datasets/Infi-MM/InfiMM-WebMath-40B)

- **arXiv技术论文**：[https://arxiv.org/pdf/2409.12568](https://arxiv.org/pdf/2409.12568)

## InfiMM-WebMath-40B的应用场景

- **数学题库和评估工具**： 开发者训练 MLLMs，使其能够自动生成数学题目、评估学生答案并提供反馈，构建智能化的数学题库和评估工具。

- **数学学习工具和平台**： 帮助 MLLMs 更好地理解数学概念和公式，开发出更智能的数学学习工具和平台，例如提供个性化学习建议、解答学生疑问、辅助数学解题等。

- **数学论文阅读和理解**： MLLMs 提升对数学论文的理解能力，开发出能够自动摘要、翻译和解释数学论文的工具。

- **数学研究**：为数学研究提供数据支持，例如用于训练数学模型、进行数学实验和分析数学数据等。

- **其他科学领域**：  InfiMM-WebMath-40B 包含科学相关的内容，例如物理、化学、生物等，训练 MLLMs 理解科学概念、公式和图像，并辅助科学研究和应用。

## 常见问题解答 (FAQ)

### InfiMM-WebMath-40B 适合训练什么模型？
它主要适合训练多模态大模型（MLLMs），尤其是需要图文混合推理、数学理解和科学内容解析能力的模型，可用于提升数学题目解答、论文阅读和公式理解表现。

### InfiMM-WebMath-40B 的数据规模有多大？
根据文中信息，该数据集从 Common Crawl 提取，包含 2400 万个网页、8500 万个图像 URL 和 400 亿个文本标记，属于超大规模多模态数学数据集。

### InfiMM-WebMath-40B 能用于哪些实际场景？
可用于数学题库与评估工具、数学学习平台、数学论文阅读与理解、数学研究，以及物理、化学、生物等科学领域的多模态应用开发。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)