Корпус Bee для сквозного обучения MLLM

Что внутри

Это журнальная версия корпуса Bee для сквозного обучения полностью открытых MLLM; ранее вышли Honey-Data-15M и модели Bee-8B, обученные на конференционной версии. В корпусе есть изображения, текст и документы на английском и китайском, объём — от 10 до 100 млн записей. Данные отбирали по той же методике курирования, что и Honey-Data-15M.

Что можно сделать

• обучение MLLM на VQA и image-text-to-text
• дообучение LoRA для документов и изображений
• сравнение качества мультимодальных корпусов

Как загрузить

from datasets import load_dataset

ds = load_dataset("HoneyDataV2/Honey-Data-V2")