Датасет · nvidia

Мультимодальные данные для vision-language моделей

nvidia/Nemotron-Image-Training-v3

Крупная коллекция image-centric данных для обучения и проверки vision-language моделей; поднаборы в JSONL с описанием.

Что внутри

Это набор мультимодальных обучающих данных, ориентированных на изображения, для vision-language моделей. Выпуск устроен как многосоставной релиз: у каждого поднабора есть стандартизированный conversation JSONL и карточка с источниками, лицензиями и раскладкой медиа. Размер — от 1 до 10 млн примеров; языки и точный состав поднаборов в карточке не раскрыты.

Что можно сделать

SFT vision-language моделей
Обучение image-text-to-text
Проверка VQA

Задачи: Вопросы по картинкам, Картинка + текст
Размер: 1M–10M записей
Скачиваний за месяц: 8,7 тыс.
Лайков: 86

Модели, обученные на нём

Как загрузить

from datasets import load_dataset

ds = load_dataset("nvidia/Nemotron-Image-Training-v3")

Открыть на Hugging Face