LLaVA-CC3M-Pretrain-595K

LLaVA Visual Instruct CC3M Pretrain 595K数据集是CC-3M数据集的一个子集，它通过更平衡的概念覆盖分布进行过滤，并包含BLIP合成字幕作为参考。该数据集主要用于视觉指令调整中的特征对齐预训练阶段，旨在构建具备GPT-4视觉/语言能力的大型多模态模型。数据包括图像与字幕对构建的多模态对话，以及图像索引、文件名、URL、原始CC-3M字幕和合成BLIP字幕等元数据。数据集的使用必须遵守CC-3M和BLIP的许可协议。主要用于大型多模态模型和聊天机器人的研究，目标用户是计算机视觉、自然语言处理、机器学习和人工智能领域的研究人员和爱好者。