test

该数据集包含多个配置，每个配置包含训练集和部分配置包含测试集。数据集的主要特征包括观察（图像）、任务提示（字符串）、动作（字符串）、动作编号（整型）、任务ID（字符串）和文件名（字符串）。每个配置的数据集大小和样本数量均有详细说明。例如，Geo-Basic-Train配置包含13,542个训练样本，大小为11.6GB；blade_data_batch_1000000配置包含500,000个训练样本，大小为354.2GB。数据集适用于与图像和任务提示相关的机器学习任务。

原始信息汇总

数据集概述

该数据集由多个配置（config）组成，每个配置都包含训练（train）和/或测试（test）分割。所有配置均具有相同的特征结构，主要包含图像观测和文本指令等信息。

数据集配置与规模

配置名称	分割	样本数量	数据集大小（字节）
Geo-Basic-Train	train	13,542	11,592,756,396.556
blade_data_batch_1000000	train	500,000	354,203,148,814.0
blade_data_batch_1500000	train	500,000	462,420,830,829.0
blade_data_batch_2000000	train	500,000	461,712,715,810
blade_data_batch_2500000	train	500,000	462,056,138,331
blade_data_batch_3000000	train	500,000	455,998,905,960
blade_data_batch_4000000	train	500,000	453,958,017,496
blade_data_batch_4500000	train	477,743	554,780,913,857
default	train	-	-
default	test	-	-

说明：default 配置的样本数量和数据集大小未在文件中明确给出。

数据特征

每个样本（无论属于哪个配置）都包含以下特征：

• observation (image)：观测图像。
• task_prompt (string)：任务提示。
• action (string)：动作描述。
• action_num (int32)：动作编号。
• taskID (string)：任务ID。
• file_name (string)：文件名。

搜集汇总

数据集介绍

构建方式

该数据集通过整合多批次大规模视觉-语言-动作三元组数据构建而成，包含Geo-Basic-Train基础训练集以及多个以blade_data_batch命名的数据批次（如1000000、1500000等），每个批次均独立存储于指定路径并统一采用train-*格式的划分文件。数据集的构建采用分批次增量累积策略，利用分布式存储技术管理海量图像观察、任务提示文本及对应的动作指令与编号，确保数据结构的一致性与可扩展性。所有配置项均定义相同的特征字段，包括observation（图像类型）、task_prompt（字符串）、action（字符串）、action_num（整数）、taskID（字符串）及file_name（字符串），形成标准化的多模态学习资源。

特点

该数据集以规模宏大与专业化分片为主要特点，其中blade_data_batch系列各批次贡献约50万条训练样本，累计样本量逾数百万，同时提供原始图像与文本描述相结合的丰富语义信息。数据集内每个样本均包含图像输入、任务提示、动作输出及其数值标签，支持从视觉感知到语言指令再到行为执行的端到端建模。此外，default配置额外划分出测试集，便于模型泛化能力评估；各批次数据的下载与存储尺寸均被详细记录，充分体现数据集在量级与质量上的双重优势，为机器人操控、视觉导航等复杂任务提供坚实基础。

使用方法

使用者可通过HuggingFace Datasets库加载该数据集，按需选择指定配置名称（如Geo-Basic-Train或blade_data_batch_500000）并设置split参数为'train'以获取训练数据。当使用default配置时，可分别访问'train'与'test'两个划分，其中test分片对应blade_data_batch_500000批次的数据。加载后，每个样本以字典形式提供，包含图像、任务描述、动作字符串及其编号等字段，可直接用于训练视觉语言动作模型或进行多模态推理研究。建议根据任务需求选择合适的子集规模，利用分片机制优化内存与计算资源。

背景与挑战

背景概述

该数据集名为“test”，由多个配置组成，包括Geo-Basic-Train和一系列以blade_data_batch命名的子集，数据集总量超过数百万样本，总存储体积达数百吉字节。据现有信息推测，该数据集可能由某个专注于机器人或具身智能研究的研究机构构建，核心研究问题在于利用大量的图像观测、任务提示（task_prompt）和动作序列（action）数据，训练智能体在特定环境中执行复杂操控或导航任务。该数据集通过分批次大规模收集并记录任务ID（taskID）和动作编号（action_num），为模仿学习或离线强化学习提供了宝贵资源。其影响力体现在其庞大的规模和细致的任务标注，有望推动具身智能体在未见环境中的泛化能力研究。

当前挑战

第一，该数据集旨在解决的领域问题是：如何从海量多模态观测（图像）与文本指令（task_prompt）中学习连贯的动作策略，以应对现实世界任务的高度多样性和不确定性。第二，在构建过程中面临多项挑战：数据收集需确保不同批次间任务分布的一致性和动作标注的准确性；各批次样本量不均（blade_data_batch_4500000仅有477743条，而其余批次为500000条）可能引入采样偏差；此外，数据集体积庞大（单批次超过400吉字节），对存储、加载和高效训练提出了严峻考验。

常用场景

经典使用场景

Test数据集在机器人操作与具身智能领域扮演着基石角色。它汇聚了海量从真实或仿真环境中采集的机器人执行任务时的观测图像、任务描述与动作序列，构成了模仿学习与行为克隆研究的经典训练语料。研究者常利用其丰富的任务变体和动作标签，训练视觉-语言-动作多模态模型，使机器人能够根据自然语言指令与当前视觉观测，生成精准的操控动作，从而实现从感知到执行的端到端决策。

衍生相关工作

该数据集衍生出诸多经典工作，成为推动领域进步的催化剂。例如，研究者基于其数据构建了RT-2、PaLM-E等视觉-语言-动作大模型，验证了大规模数据预训练在机器人领域的可行性。同时，以数据增强和域随机化为核心的仿真到真实迁移方法也在此数据集上得到验证。此外，针对长程任务推理与错误恢复的层次化模仿学习框架，以及结合人类反馈的强化学习策略，均在Test数据集上取得了突破性成果，持续为其注入创新活力。

数据集最近研究

最新研究方向

在多模态大模型与机器人操作学习深度融合的前沿浪潮中，test数据集凭借其蕴含的海量视觉观察与任务指令配对样本，为构建可泛化的视觉-语言-动作联合模型提供了关键支撑。该数据集以大规模并行采集的“blade”系列批次数据为核心，覆盖从基础操作到复杂交互的多样化任务场景，其结构化的图像、文本提示与数值化动作序列，正推动着具身智能领域向少样本模仿学习与零样本策略迁移等方向突破。尤其值得注意的是，不同批次的数据规模与交互复杂度梯度，为研究模型性能随数据量的扩展规律以及跨环境知识蒸馏提供了理想的实验平台，进而深刻影响着下一代工业自动化与家庭服务机器人的认知决策范式。