jingyaogong/minimind-v_dataset

Ⅰ 数据集

原始来源：

• Chinese-LLaVA-Vision：包含约57万张预训练图像，来自CC-3M和COCO 2014
• llava-en-zh-300k：包含300k条指令微调数据和15万张图像
• LLaVA-SFT-665K：包含665k条指令微调数据

其中部分为中文数据，部分为英文数据。问答内容经过翻译，对中文支持更友好，进一步经过整理并resize（pretrain分辨率128×128，sft分辨率160×160）。

(pretrain_i2t.parquet) 预训练数据集格式：

列名: conversations (json string), image_bytes (binary), image_names (string)

conversations 示例:
[
  {"role": "user", "content": "提供给定图像的简要描述。\n<image>"},
  {"role": "assistant", "content": "橄榄油是自由使用的健康成分。"}
]
image_bytes: <图像二进制数据>

(sft_i2t.parquet) 单图指令微调数据集格式：

列名: conversations (json string), image_bytes (binary), image_names (string)

conversations 示例:
[
  {"role": "user", "content": "闹钟的位置对睡眠质量有什么影响？<image>"},
  {"role": "assistant", "content": "把数字闹钟放在床头柜..."}
]
image_bytes: <图像二进制数据>

注：sft_i2t.parquet 共约 58 万条数据，其中约 23.6 万条为含图对话（i2t），约 34.6 万条为纯文本对话（t2t），后者用于保持模型的基础语言能力。

数据集下载地址：(ModelScope | HuggingFace)