minimind-v_dataset

Ⅰ 数据集 本轮训练用到的图文数据全部来自 ALLaVA-4V 系列。 相比以往从几份 LLaVA 衍生集拼接得到的数据，ALLaVA-4V 的质量更整齐、中英双语原生对照，细粒度描述也更充分。 它由两个子源构成：一份是 LAION 里挑出来的高质量图片（自然图像为主），一份是 VFLAN 指令流里挑出来的图片（文档、图表、合成场景居多）。 Pretrain（pretrain i2t.parquet，约 127 万条 / ~64 万张唯一图像） ALLaVA-Caption-LAION-4V 英/中：~47万 + ~44万ALLaVA-Caption-VFLAN-4V 英/中：~19万 + ~17万 任务形式为”请描述这张图片”类的单轮长描述，用于让模型建立视觉 token 到语言 token 的基础对齐。 SFT（sft i2t.parquet，约 290 万条 / ~65 万张唯一图像） ALLaVA-Instruct-LAION-4V 英/中：~47万 + ~47万… See the full description on the dataset page: dataset.

Source: Hugging Face Hub (jingyaogong/minimind-v_dataset). Metadata imported from the dataset’s Hub tags.