Multi-Modal Experience Dataset

该数据集是为了评估基于序列多模态信息的AI创作能力而全新手动标注的，包含了输入的图像-文本对以及来自歌曲歌词的输出句子。具体来说，该数据集中所包含的输出句子是从一个中文歌曲网站抓取的，而输入的图像-文本对则是从GraphMovie数据集中收集而来。这一任务的目的是基于多模态输入进行文本生成。