e-ViL

e-ViL是一个大型数据集，由牛津大学计算机科学系创建，旨在为视觉-语言任务提供自然语言解释的基准。该数据集包含超过430,000个实例，每个实例包括图像、自然语言假设、分类标签和解释。数据集的创建过程涉及多个步骤，包括手动重新标记和使用多种过滤方法来提高数据质量。e-ViL数据集主要用于评估和比较不同模型在视觉-语言任务中生成自然语言解释的能力，特别是在需要复杂推理和常识知识的场景中。