FineVision – Hugging Face开源的视觉语言数据集

FineVision是什么

FineVision 是 Hugging Face 推出的开源视觉语言数据集，训练先进的视觉语言模型。包含 1730 万张图像、2430 万个样本、8890 万轮对话和 95 亿个答案标记。数据集聚合了来自 200 多个来源的数据，具有多模态和多轮对话的特点，支持视觉和语言的结合。每张图像都配有文本标题，有助于模型理解和生成自然语言。FineVision 在 10 项基准测试中帮助模型平均提升了超过 20% 的性能。

FineVision的主要功能

• 多模态数据融合：整合图像和文本，使模型能同时处理视觉和语言信息，提升对复杂场景的理解能力。