MORE-MLLM

kaggle2025-04-29 更新2025-06-07 收录

多模态关系抽取

跨模态理解

数据链接：

https://www.kaggle.com/datasets/marquis03/more-mllm 数据链接链接失效反馈

官方服务：

资源简介：

A Multimodal Relation Extraction Dataset for MLLM

多模态关系抽取数据集，适用于大语言模型（MLLM）

创建时间：

2025-04-23

Unified Multimodal Relation Extraction (UMRE)

多模态关系抽取

跨模态学习

UMRE数据集是一个统一的跨模态关系抽取数据集，旨在同时提取文本实体和视觉对象之间的模态内和模态间关系。该数据集包含28种关系类型，拥有55021个标注的跨模态关系三元组，来源于12737个文本-图像对。UMRE数据集的构建过程包括两个阶段：首先，使用多模态大型语言模型识别和提取文本和图像数据中的潜在候选实体和对象；其次，招募教育背景良好的标注员分析图像和文本信息，识别文本实体和视觉对象之间的模态

arXiv2025-09-05 更新1180

Marker

教育人工智能

跨模态理解

Marker是一个多模态基准数据集，用于评估AI模型在俄罗斯学校水平任务上的表现。它涵盖了七个学科：历史、艺术、地理、位置、数学、物理（选择题）和物理（开放式）。每个任务都结合了教科书、地图和图表中的图像与俄语中的问题和答案选项。Marker旨在用于跨模态理解、视觉问答和教育人工智能的研究。

Hugging Face2025-08-27 更新310

neulab/PangeaBench-xmmmu

多语言视觉问答

跨模态理解

--- language: - ar - fr - hi - id - ja - pt - en license: mit size_categories: - 1K<n<10K task_categories: - visual-question-answering - question-answering - multiple-choice pretty_name: xmmmu dataset

Hugging Face2024-11-03 更新250

LVOmniBench

跨模态理解

长视频处理

LVOmniBench是一个专门为长格式音频和视频的跨模态理解设计的新基准。我们策划了一系列多样化的长视频，时长从10到90分钟不等，平均时长为2,069秒。这一时长比现有的音频-视觉理解基准的时长大六倍以上。我们手动构建了1,014个高质量的多选题，这些问题明确设计为需要跨音频和视觉模态的联合推理，从而促进对OmniLLMs的更全面评估。每个QA按难度级别排名，长音频-视频理解对当前专有和开源模

github2026-03-20 更新510

DiDeMo

视频检索

跨模态理解

该数据集是一个带有时间标注的文本到视频检索数据集，它专注于根据文本描述来检索视频片段。该数据集的主要任务是文本到视频的检索。

arXiv310