ULVR_v2_premium
收藏资源简介：
ULVR_v2_premium 是通用潜在视觉推理（ULVR）数据集 ULVR_v2_clean 的一个精选优质子集，包含 262,556 个高质量样本。该数据集专为训练视觉推理模型而设计，每个推理类别都作为独立的数据分割。数据内容涵盖多种视觉推理任务，包括边界框高亮与裁剪、文本链式思维推理、交错辅助图像推理、抽象视觉表示（深度/边缘/分割）生成与使用、场景图关系推理、图表区域聚焦以及文档区域裁剪。每个样本包含样本ID、类别、源数据集、问题、答案、输入图像、最多三个中间步骤图像、中间步骤数量以及以对话格式（系统/用户/助手）封装推理过程的消息JSON。数据集通过基于 Qwen2.5-VL-7B 模型的双重评估（在有/无辅助图像下回答问题）进行质量筛选，优先选择辅助图像能有效纠正错误（P1）或两者均正确（P2）的样本，以确保推理步骤的必要性和有效性。该数据集仅包含训练分割，适用于多模态视觉问答、图像到文本生成及复杂的视觉推理任务的研究与模型训练。
ULVR_v2_premium is a curated premium subset of the Universal Latent Visual Reasoning (ULVR) dataset ULVR_v2_clean, containing 262,556 high-quality samples. This dataset is specifically designed for training visual reasoning models, with each reasoning category treated as an independent data split. The data content covers a variety of visual reasoning tasks, including bounding box highlighting and cropping, textual chain-of-thought reasoning, interleaved auxiliary image reasoning, generation and use of abstract visual representations (depth/edges/segmentation), scene graph relationship reasoning, chart region focusing, and document region cropping. Each sample includes a sample ID, category, source dataset, question, answer, input image, up to three intermediate step images, the number of intermediate steps, and a message JSON encapsulating the reasoning process in a dialogue format (system/user/assistant). The dataset undergoes quality screening through dual evaluation based on the Qwen2.5-VL-7B model (answering questions with/without auxiliary images), prioritizing samples where auxiliary images effectively correct errors (P1) or both are correct (P2), ensuring the necessity and effectiveness of reasoning steps. The dataset only includes a training split and is suitable for research and model training in multimodal visual question answering, image-to-text generation, and complex visual reasoning tasks.
数据集概述：ULVR_v2_premium
ULVR_v2_premium 是一个精选的高质量子集，源自 RuoliuYang/ULVR_v2_clean，专门用于通用潜在视觉推理（ULVR）。该数据集包含 262,556 个高质量样本，每个推理类别均作为独立的数据划分（split）。
数据集详情
- 语言：英语
- 许可协议：Apache-2.0
- 任务类型：视觉问答（Visual Question Answering）、图像到文本（Image-to-Text）
- 标签：视觉推理、多模态、潜在视觉推理
- 样本数量：100K < n < 1M
数据划分与样本数量
| 划分名称 | 样本数量 | 描述 |
|---|---|---|
| bbox_highlight | 70,000 | 高亮感兴趣区域，然后回答 |
| bbox_crop | 70,000 | 裁剪到感兴趣区域，然后回答（与 bbox_highlight 相同的 70k 样本，但以不同形式呈现） |
| text_cot | 35,000 | 基于图像的文本思维链（Chain-of-Thought） |
| helper_interleaved | 25,000 | 在推理轨迹中交错插入辅助图像 |
| visual_representation | 20,000 | 生成/使用抽象表示（深度/边缘/分割） |
| scene_graph | 17,945 | 关系场景图推理 |
| chart_focus | 15,000 | 在回答前聚焦/缩放图表区域 |
| doc_crop | 9,611 | 在回答前裁剪文档区域 |
数据特征
每条记录包含以下字段：
sample_id（字符串）：样本IDcategory（字符串）：类别source_dataset（字符串）：来源数据集question（字符串）：问题answer（字符串）：答案input_image（图像）：输入图像intermediate_image_1/2/3（图像）：最多三个中间图像num_intermediate_steps（整数）：中间步骤数量messages_json（字符串）：训练对话，格式为：系统消息 / 用户消息（输入图像+问题）/ 助手消息（<abs_vis_token></abs_vis_token>+ 中间图像 +oxed{answer}）
精选标准
从 ULVR_v2_clean 出发，使用基础版 Qwen2.5-VL-7B 进行双重评估（不借助 vs 借助辅助/中间图像，max_tokens=60），将样本分为不同质量等级：
- P1 — 辅助挽救（没有辅助图像时答错，有辅助图像时答对）：视觉推理步骤必要且有效，为最高优先级。
- P2 — 两者都正确：干净、可验证的样本，为第二优先级。
- P3（即使有辅助图像也答错）和 AVOID（辅助图像使正确答案变错）被排除。
对于 visual_representation 划分，使用更精细的每表示信号（needed_rep）进行筛选：特定表示（深度/边缘/分割）能使答案从错变对的样本排名最高；仅使答案变差的样本被丢弃。
各划分的优先级组成（摘要）：
- bbox（highlight 和 crop 共享相同的 70k 个
sample_id）：约 14.8k/13.9k P1 + 约 54.7k/55.0k P2，无 P3 / 无 AVOID。 - text_cot 35k：26,825 P1 + 8,175 P2（纯 P1+P2）。
- helper_interleaved 25k：14,327 P1 + 10,673 P2（纯 P1+P2）。
- visual_representation 20k：3,297 表示有帮助 + 16,703 干净正确。
- scene_graph（全部 17,945）、doc_crop（全部 9,611）、chart_focus（15,000 of 15,056）——应要求保留（近）完整，因此包含部分P3样本。
使用方式
python from datasets import load_dataset
每个类别对应一个划分
ds = load_dataset("RuoliuYang/ULVR_v2_premium", split="bbox_highlight")
或流式加载
ds = load_dataset("RuoliuYang/ULVR_v2_premium", split="text_cot", streaming=True)
注意事项
- 双重评估信号来自一个基础版（未经过 LVR 训练）的 Qwen2.5-VL-7B 模型，使用
max_tokens=60；这是一个样本质量的代理指标，并非衡量潜在视觉推理对于经过适当 LVR 训练的模型的价值。 - 来自 GQA / ChartQA / ArxivQA / Visual-CoT 的源答案可能带有其自身的标注噪声（原样继承）。
- 该数据集仅作为训练子集（无验证划分）。如需完整的清洗语料库和验证划分，请参考
ULVR_v2_clean。
