遇见数据集

OGC_Quantum

收藏
魔搭社区2026-07-14 更新2025-08-16 收录
官方服务:

资源简介:

# VDR_Quantum – Overview **VDR_Quantum** is a curated multimodal dataset focused on **quantum technical documents**. It combines text and image data extracted from real scientific PDFs to support tasks such as RAG DSE, question answering, document search, and vision-language model training. --- ## Dataset Composition This dataset was created using our open-source tool [VDR_pdf-to-parquet](https://github.com/RacineAIOS/VDR_pdf-to-parquet). Quantum-related PDFs were collected from public online sources. Each document was processed page-by-page to extract text, convert pages into high-resolution images, and generate synthetic technical queries. We used **Google’s Gemini 2.0 Flash Lite** model in a custom pipeline to generate diverse, expert-level questions that align with the content of each page. --- ## Dataset Structure Each entry in the dataset contains: - `id`: A unique identifier for the sample - `query`: A synthetic technical question generated from that page - `image`: A visual rendering of a PDF page - `language`: The detected language of the query > Each page produces 4 unique entries: a main technical query, a secondary one, a visual-based question, and a multimodal semantic query. --- ## Purpose This dataset is designed to support: - Training and evaluating **vision-language models** - Developing **multimodal search or retrieval systems** - Research in **automated question generation** from technical sources - Enhancing tools for **quantum document analysis and understanding** --- ## Authors - **Yumeng Ye** - **Léo Appourchaux** ---

# VDR_Quantum——数据集概览 **VDR_Quantum** 是一套精心整理的多模态数据集,聚焦于**量子技术文档(quantum technical documents)**。该数据集整合了从真实科学PDF文献中提取的文本与图像数据,可用于支持检索增强生成文档搜索(RAG DSE)、问答、文档检索以及视觉语言模型(vision-language models)训练等任务。 --- ## 数据集构成 本数据集依托自研开源工具[VDR_pdf-to-parquet](https://github.com/RacineAIOS/VDR_pdf-to-parquet)构建。研究团队从公开网络渠道收集了与量子领域相关的PDF文献,并对每份文献逐页处理:提取文本内容、将页面转换为高分辨率图像,同时生成合成技术查询语句。 我们通过定制化处理流程调用**谷歌Gemini 2.0 Flash Lite**模型,生成与各页面内容匹配的多样化专业级技术问题。 --- ## 数据集结构 数据集中的每条样本包含以下字段: - `id`:样本的唯一标识符 - `query`:从该页面生成的合成技术问题 - `image`:PDF页面的可视化渲染结果 - `language`:检测到的查询语句所用语言 > 每份PDF页面将生成4条独立样本:分别为主技术查询、次级技术查询、基于视觉的问题以及多模态语义查询。 --- ## 数据集用途 本数据集旨在支持以下场景: - **视觉语言模型(vision-language models)**的训练与评估 - **多模态(multimodal)搜索或检索系统**的开发 - 面向技术文献的自动化问答生成研究 - 优化量子文献分析与理解相关工具 --- ## 作者 - **Yumeng Ye** - **Léo Appourchaux**

提供机构:
maas
创建时间:
2025-07-31
搜集汇总
数据集介绍
OGC_Quantum 数据集图片
背景与挑战
背景概述
OGC_Quantum(也称VDR_Quantum)是一个专注于量子技术文档的多模态数据集,包含从公开科学PDF中提取的文本和图像数据。该数据集通过自动化工具处理每页内容,并利用大模型生成技术问题,旨在支持视觉语言模型训练、多模态检索以及量子文档分析等相关研究与应用。
以上内容由遇见数据集搜集并总结生成
二维码
社区交流群
二维码
科研交流群
商业服务