OGC_2_vdr-visRAG-colpali

# VDR 2 - Organized, Grouped, Cleaned

> **Intended for image/text to vector (DSE)**

## Dataset Composition

This second version only has rows with positive queries

The dataset merges, shuffles, and formats data from:

- [vidore/colpali_train_set](https://huggingface.co/datasets/vidore/colpali_train_set)
- [openbmb/VisRAG-Ret-Train-Synthetic-data](https://huggingface.co/datasets/openbmb/VisRAG-Ret-Train-Synthetic-data)
- [llamaindex/vdr-multilingual-train](https://huggingface.co/datasets/llamaindex/vdr-multilingual-train)

## Dataset Statistics

| Metric | Value |
|--------|-------|
| Total rows | 600,000+ |

## Language Distribution

| Language| Ratio |
|--------|-------|
| English | ≈ 64% |
| French | ≈ 9% |
| Spanish | ≈ 9% |
| Italian | ≈ 8% |
| German | ≈ 8% |

## Creators

Dataset curated by:
- **Paul Lemaistre**
- **Léo Appourchaux**

# VDR 2：结构化、分组、清洗后版本
> **适用于图像/文本向量化任务（DSE）**

## 数据集构成
本第二版仅保留包含正向查询的数据行。
本数据集整合、洗牌并格式化了来自以下来源的数据：
- [vidore/colpali_train_set](https://huggingface.co/datasets/vidore/colpali_train_set)
- [openbmb/VisRAG-Ret-Train-Synthetic-data](https://huggingface.co/datasets/openbmb/VisRAG-Ret-Train-Synthetic-data)
- [llamaindex/vdr-multilingual-train](https://huggingface.co/datasets/llamaindex/vdr-multilingual-train)

## 数据集统计指标
| 指标 | 数值 |
|--------|-------|
| 总数据行数 | 600,000+ |

## 语言分布
| 语言 | 占比 |
|--------|-------|
| 英语 | ≈ 64% |
| 法语 | ≈ 9% |
| 西班牙语 | ≈ 9% |
| 意大利语 | ≈ 8% |
| 德语 | ≈ 8% |

## 数据集整理者
本数据集由以下人员整理：
- **Paul Lemaistre**
- **Léo Appourchaux**