Датасет · VillanovaAI
Мультиязычный синтетический VQA по документам
VillanovaAI/Multi-CoSyn-400K
От 100 тыс. до 1 млн пар вопрос-ответ с рассуждениями по насыщенным текстом картинкам на 5 европейских языках.
Что внутри
Это многоязычное расширение датасета CoSyn-400K (наследника PixMo-Docs), переведённое и адаптированное для английского, итальянского, немецкого, испанского и французского языков. Внутри лежат синтетические изображения с текстом, сгенерированные через рендеринг кода, а также вопросы и развёрнутые ответы с цепочками рассуждений от текстовых LLM. Размер корпуса составляет от 100 тысяч до 1 миллиона примеров.
Что можно сделать
- Обучение мультимодальных моделей (VLM) чтению и пониманию документов на 5 языках
- SFT-дообучение VQA-систем выдавать пошаговые рассуждения по графикам и таблицам
- Улучшение OCR-способностей визуально-языковых моделей на европейских языках
- Задачи
- Вопросы по картинкам
- Языки
- Итальянский, Английский, Немецкий, Испанский, Французский
- Размер
- 100K–1M записей
- Скачиваний за месяц
- 28,7 тыс.
- Лайков
- 0
- Доступ
- по запросу на Hugging Face
Как загрузить
from datasets import load_dataset
ds = load_dataset("VillanovaAI/Multi-CoSyn-400K")