К содержимому

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")