DataComp-VLM：160 個資料集、6T 語料，給視覺語言模型一份「資料課綱」

視覺語言模型（VLM）的能力差距，很大一部分來自訓練資料的策展功力，但這門手藝長期處於煉金術狀態：各家論文用各家的資料配方，彼此沒有可比性。DataComp-VLM（DCVLM）想把它變成科學——用統一的基準做控制變因的 data-centric 實驗。

基準的家底：160 個資料集，橫跨四種資料型態——圖文配對、多模態交錯文件、純文字、指令微調資料——匯成一個 6T token 的語料庫。研究者可以固定模型架構與訓練預算，只動資料配方，直接量測哪種混合比例、哪種過濾策略對下游能力的貢獻最大。

DataComp 這個系列有前科可循：前代的 DataComp 基準催生了 CLIP 訓練資料的系統性研究，直接推動了開源多模態模型的一波品質躍升。方法論搬到 VLM 全訓練管線，等於把「資料工程」從各實驗室的祖傳秘方，變成可以累積、可以引用的公共知識。

開源社群是最大受益者。閉源實驗室的資料優勢建立在資訊不對稱上——他們知道什麼配方有效，你不知道。基準一公開，追趕者至少知道該往哪個方向堆資料，而非燒錢亂試。