walton-multimodal-cold-start-r1-format

# walton-multimodal-cold-start-r1-format

WaltonFuture/Multimodal-Cold-Start converted to multimodal-open-r1-8k-verified format with filtering

## Dataset Description

This dataset was processed using the [data-preproc](https://github.com/oumi-ai/ml-preproc) package for vision-language model training.

### Processing Configuration

- **Base Model**: Qwen/Qwen2.5-7B-Instruct
- **Tokenizer**: Qwen/Qwen2.5-7B-Instruct
- **Sequence Length**: 16384
- **Processing Type**: Vision Language (VL)

### Dataset Features

- **input_ids**: Tokenized input sequences
- **attention_mask**: Attention masks for the sequences
- **labels**: Labels for language modeling
- **images**: PIL Image objects
- **messages**: Original conversation messages
- **metadata**: Processing metadata

### Processing Statistics

- **Original Samples**: 10000
- **Processed Samples**: 10000
- **Success Rate**: 100.0%
- **Average Token Length**: N/A
- **Max Token Length**: N/A
- **Truncation Rate**: N/A

### Usage

```python
from datasets import load_dataset

# Load the dataset
dataset = load_dataset("your-org/your-dataset-name")

# Access samples
sample = dataset["train"][0]
print(f"Input tokens: {len(sample['input_ids'])}")
print(f"Images: {len(sample['images'])}")
print(f"Messages: {sample['messages']}")
```

## License

This dataset is released under the specified license. Please check the license field for details.

# walton-multimodal-cold-start-r1-format
已将 WaltonFuture/Multimodal-Cold-Start 转换为经过滤处理的 multimodal-open-r1-8k-verified 格式

## 数据集说明
本数据集专为视觉语言模型训练设计，通过 [data-preproc](https://github.com/oumi-ai/ml-preproc) 工具包完成预处理。

### 处理配置
- **基础模型**：Qwen/Qwen2.5-7B-Instruct
- **分词器**：Qwen/Qwen2.5-7B-Instruct
- **序列长度**：16384
- **处理类型**：视觉语言（Vision Language，VL）

### 数据集特征
- **input_ids**：经过分词的输入序列
- **attention_mask**：序列的注意力掩码
- **labels**：语言建模任务的标签
- **images**：PIL 图像对象
- **messages**：原始对话内容
- **metadata**：预处理元数据

### 处理统计数据
- **原始样本数**：10000
- **处理后样本数**：10000
- **处理成功率**：100.0%
- **平均Token长度**：无（N/A）
- **最大Token长度**：无（N/A）
- **截断率**：无（N/A）

### 使用方法
python
from datasets import load_dataset

# 加载数据集
dataset = load_dataset("your-org/your-dataset-name")

# 访问样本
sample = dataset["train"][0]
print(f"输入Token数量：{len(sample['input_ids'])}")
print(f"图像数量：{len(sample['images'])}")
print(f"对话内容：{sample['messages']}")

## 许可证
本数据集已按指定开源协议发布，详情请查看数据集中的许可证字段。

搜集汇总

背景与挑战

背景概述

该数据集是一个经过格式转换和过滤的多模态视觉语言数据集，源自WaltonFuture/Multimodal-Cold-Start，并转换为multimodal-open-r1-8k-verified格式。它包含10000个样本，专为视觉语言模型训练设计，具有输入ID、注意力掩码、图像和消息等特征，采用Apache-2.0许可证。