千问杯多模态SFT-v6.2

# Qwen3.5-0.8B QwenCup Multimodal SFT v6.2 面向千问杯初赛图文理解与复杂推理能力构建的自包含多模态 SFT 候选集。v6.2 从冻结的 v6.1 同域确定性替换 192 条 train 与 48 条 shadow 数值样本，重点补充多商品数量乘单价求和、 票据数量读取，以及普通坐标轴图表的平均、求和、极差和定向差值；数据集总量和七领域配比不变。 ## 数据规模 | 文件/目录 | 条数 | 用途 | |---|---:|---| | `train.jsonl` | 2,048 | SFT 训练 | | `shadow.jsonl` | 512 | 独立内部验证，不参与训练 | | `counterfactual_audit.jsonl` | 1,190 | 单变量反事实质量审计，不参与训练 | | `images/train/` | 2,048 | train 图片 | | `images/shadow/` | 512 | shadow 图片 | | `images/counterfactual_audit/` | 1,190 | 反事实图片 | | `image_index.jsonl` | 3,750 | 逐图路径、SHA-256 与字节数 | 图片共 3,750 张、254,502,171 bytes，所有 JSONL 图片引用均指向本数据包内部。 `manifest.json` 记录确定性选择配额、文件哈希、构建 commit 和审计门禁； `attribution.json` 记录来源与逐图署名信息。 ## 下载 为保持 JSONL 中已经审计的项目相对路径，请下载到 `datasets/formal_mix_v62`： ```bash modelscope download \ --dataset nijidasds/Qwen3.5-0.8B-QwenCup-MM-SFT-v6.2 \ --local_dir datasets/formal_mix_v62 ``` ## JSONL 格式 ```json { "messages": [ { "role": "user", "content": [ {"type": "image", "image": "datasets/formal_mix_v62/images/train/<sha256>.png"}, {"type": "text", "text": "问题文本"} ] }, { "role": "assistant", "content": [ {"type": "text", "text": "推理与核验……\n最终答案是 \\boxed{答案}"} ] } ], "meta": { "id": "全局唯一 ID", "domain": "能力域", "subtask": "子任务", "image_sha256": ["图片 SHA-256"] } } ``` ## 能力覆盖 - 数值、票据、表格与普通图表计算 - 计数与细粒度图符识别 - 空间关系与局部坐标转换 - 物理常识、管道事件与杠杆力矩 - 细粒度视觉属性和人物/物体关系 - 图文联想与成语图谜 - 通用视觉能力保持 ## 审计状态 - Qwen processor / Unsloth collator：train 2,048/2,048、shadow 512/512 全量通过。 - 零长度丢弃、零 2,048-token 截断，全部记录包含视觉 tensor/token；2,560 条末尾 `\boxed{}` 均完整处于监督区间。 - 数值恢复 cross-generator shadow 的官方 baseline strict 为 118/128；chart 为 56/64， receipt 为 62/64。nuisance-only predictor 相对 oracle-majority 的宏平均 lift 为 -6.25pp。 - 与冻结的 1,000 题本地验证集在 ID、lineage、root lineage、派生图/原图 SHA、同源原始 ID 和成语 concept 上全部零交集。 - 本数据集不包含冻结验证集、模型权重、checkpoint 或外部模型输出。 ## 使用限制 只有 `train.jsonl` 可作为训练输入。`shadow.jsonl` 与 `counterfactual_audit.jsonl` 仅用于 选择、诊断和质量审计，不应并入训练。本数据集是研究与竞赛候选集，不是赛事官方数据。 ## 许可证与署名 这是多来源衍生数据集，不能用单一许可证覆盖全部内容。项目生成内容与打包元数据可按 Apache-2.0 使用；CLEVR、CORD、PlotQA、OpenImages、ChID 和 Twemoji 等上游资产继续适用各自 许可证及署名要求。请阅读 `LICENSES.md` 和 `attribution.json`。 ## 完整性 - 构建 commit：`b06b66d0b501a4f5f9616888c3b29970a580211e` - `train.jsonl` SHA-256：`b0fe4bf070683f517ee12698792733181909ec001f9b7a3bbeade9d119e7eadb` - `shadow.jsonl` SHA-256：`e9449f4451c19199e0924cc904c97e3c3399bbabfa87a572adf6da9a0a48421f` - `manifest.json` SHA-256：`3859cc4856d6c773178580d8c9f79ba498994b12df682af403e6225224eae2b8` - `image_index.jsonl` SHA-256：`43122a579d36c6ce7a682d3be27b96052d571beb31f522d017564e3167fd0120` - processor/collator audit manifest SHA-256：`73a3dd8421912dacbd7f9f435129b9bea5c075b76a49c1e3c1082ca4eac1457f` - local-val denylist audit SHA-256：`bcf101fcc2b6f80f9429116167c472840cdbe934a125193d303f6fc3927d90be`