专家 AGI 的大规模多学科多模态理解和推理基准

极市2025-10-16 更新2025-10-18 收录

多模态理解

人工智能推理

数据链接：

https://www.cvmart.net/dataSets/detail/1343 数据链接链接失效反馈

官方服务：

资源简介：

MMMU 是评估多模态模型的新基准，含 11.5K 道多模态问题，来自大学考试等，覆盖艺术与设计等六大学科、30 个主题和 183 个亚领域，还有 30 种异构图像类型，由不同学科大学生手动收集

提供机构：

EgoGazeVQA数据集是首个以第一人称视角视频为基础，并结合眼动追踪数据，用于评估大型多模态语言模型（MLLMs）在理解用户意图方面的性能的基准数据集。该数据集包含了从Ego4D、EgoExo4D和EGTEA Gaze+三个主要的第一人称视频数据集中提取的900个视频片段，以及由MLLMs生成的1757个基于眼动和文本描述的问答对。每个问答对都经过了人工审核，以确保其相关性和准确性。EgoGa

arXiv2025-09-09 更新1130

4471只猫 YOLO 数据集

目标检测

计算机视觉

1. 简介该数据集源自牛津 - IIIT Pet 数据集，是专注于猫类的 YOLO 格式数据集，含 4471 只猫相关图像；原始数据集包含 37 类宠物，改装后移除非猫类数据，将注释转换为 YOLO 格式，按类别分层划分为训练集和验证集，并用 trimaps 生成全身边界框

极市2025-12-25 更新580

RF100

图像识别

机器学习

由 100 个数据集、7 个图像域、224,714 张图像和 805 个类标签组成，标记时间超过 11,170 小时

极市2024-12-01 更新370

MMESGBench

多模态理解

ESG文本分析

MMESGBench是一个专门用于评估多模态理解和复杂推理的数据集，针对结构多样和多源的ESG文档。数据集由人类和AI协作构建，包含933个经过验证的QA对，来源于45个ESG文档。数据集涵盖七种不同的文档类型和三个主要的ESG来源类别。每个QA对都被标记为单页、跨页或不可回答，并伴有细粒度的多模态证据。MMESGBench旨在解决ESG文档理解和推理的挑战，为ESG领域的相关应用提供支持。

arXiv2025-07-25 更新610

360度全景数据集

360度视频

多模态数据

1. 简介360+x 数据集是面向场景理解的多模态数据集，以独特全景视角区别于传统数据集，通过多视角、多模态数据捕捉多样化场景；包含 2152 个多模态视频（共 8579k 帧），由 360° 摄像机（464 个视频）和 Spectacles 眼镜摄像机（1688 个视频）拍摄，覆盖 17 个城市的 28 个场景类别（15 个室内、13 个室外，含艺术空间、自然景观等）；视频被分段为 1380 个

极市2025-11-20 更新430

专家 AGI 的大规模多学科多模态理解和推理基准

资源简介：

相关数据集