Bluesky Alt Text: 279K Curated Image Descriptions

来自489个Bluesky账户的279,196个图像alt-text对，通过公共AT Protocol API收集。每个账户都经过验证，alt-text率超过90%，且具有实质性描述。每行代表一个图像，而不是一个帖子。包括一个125K行的firehose样本（14.5小时的实时网络流量）用于对比分析。

279,196 image alt-text pairs from 489 Bluesky accounts were collected via the public AT Protocol API. Each account was verified to have an alt-text usage rate exceeding 90%, with all provided alt-texts being substantive and descriptive. Each row represents an individual image rather than a full post. A 125K-row firehose sample, capturing 14.5 hours of live network traffic, is included for comparative analysis.

原始信息汇总

Bluesky Alt Text: 279K Curated Image Descriptions 数据集概述

数据集基本信息

• 数据集名称: Bluesky Alt Text: 279K Curated Image Descriptions
• 许可证: CC BY 4.0
• 任务类别: 图像到文本、文本生成、文本分类
• 支持语言: 英语、德语、法语、葡萄牙语、西班牙语、日语、阿尔巴尼亚语等20多种语言
• 标签: bluesky, alt-text, accessibility, image-description, at-protocol, a11y, screen-reader, vision-language
• 数据规模: 100K < n < 1M
• 发布年份: 2026年
• 创建者: Luke Steuber

数据规模与构成

• 总数据量: 404,841 行
• 主要语料库 (corpus): 279,196 行，来自 489 个已验证账户
• 实时流样本 (firehose): 125,645 行，来自 34,785 个唯一作者
• 数据收集期: 2026年4月
• 平均替代文本长度: 203 个字符
• 中位替代文本长度: 127 个字符
• 超过100个字符的条目: 60.5%
• 语言分布: 英语 (94%)，其余为德语、法语、葡萄牙语、西班牙语、日语等

数据收集与来源

• 来源平台: Bluesky
• 收集协议: AT Protocol
• 语料库收集方法: 通过 getAuthorFeed API 从已验证账户获取
• 实时流样本收集方法: 通过 Jetstream WebSocket 捕获14.5小时的实时网络流量
• 账户筛选标准: 通过八种策略发现账户，并经过验证门控（90%+的图像有非空替代文本，平均替代文本长度超过50个字符，样本中至少包含10张图像）

数据集文件与下载

• GitHub Release (推荐批量下载):
  • corpus.jsonl.gz (89 MB)
  • corpus.csv.gz (77 MB)
  • firehose.jsonl.gz (49 MB)
• 下载地址: https://github.com/data-poems/bluesky-alt-text/releases/latest
• 其他托管平台: HuggingFace (lukeslp/bluesky-alt-text)

数据模式 (Schema)

每条记录代表一张带有替代文本的图片。一个包含4张图片的帖子会产生4条记录。 包含字段：alt_text（图片描述）、image_alt_length（描述字符数）、text（帖子正文）、author_handle（作者句柄）、author_did（去中心化标识符）、post_uri（帖子URI）、post_cid（内容标识符）、created_at（创建时间）、indexed_at（索引时间）、langs_json（语言标签）、image_index（图片在帖子中的位置）、image_count_in_post（帖子中图片总数）、image_mime_type（图片MIME类型）、image_ref（图片引用）、image_thumb_url（缩略图URL）、image_fullsize_url（全尺寸图URL）、source_mode（收集模式）、collected_at（收集时间）、query（查询词）、cursor（分页游标）、raw_record_json（完整原始记录）。

数据集特点与用途

• 特点: 包含高质量人工撰写的图片描述，适用于对比分析（语料库 vs 实时流样本）。
• 主要用途:
  • 在高质量人类撰写的描述上微调视觉-语言模型。
  • 将生成的替代文本与现实世界的例子进行基准测试。
  • 研究人们如何为屏幕阅读器用户描述图片。
  • 比较博物馆、摄影师、科学家、倡导者之间的描述风格。
  • 对比训练：将语料库（高质量）与实时流样本（混合质量）配对使用。

已知注意事项

• 实时流样本 (firehose) 中没有 image_thumb_url 或 image_fullsize_url 字段。
• langs_json 字段是作者声明的，非检测所得。
• raw_record_json 字段可能很大，如果不需要来源审计，可以删除此列。
• 包含引用帖子。

引用格式

bibtex @dataset{steuber2026blueskyalttext, title = {Bluesky Alt Text Dataset}, author = {Steuber, Luke}, year = {2026}, publisher = {GitHub / HuggingFace}, url = {https://github.com/data-poems/bluesky-alt-text}, license = {CC-BY-4.0}, note = {279,196 image alt-text pairs from 489 validated Bluesky accounts} }

搜集汇总

数据集介绍

构建方式

在数字无障碍领域，高质量的替代文本对于视觉障碍用户至关重要。Bluesky Alt Text 数据集的构建采用了精心设计的策略，通过AT协议的公共API，从Bluesky社交平台系统性地收集图像描述。研究者首先通过八种发现策略，包括荣誉榜单追踪、关键词搜索、网络图谱分析以及多语言和国际机构搜寻，识别出495个潜在的高质量账户。随后，每个账户都经过严格的验证门槛，确保其90%以上的图像都包含非空的替代文本，且平均描述长度超过50个字符，最终筛选出489个合格账户，形成了包含279,196条图像-文本对的核心语料库。同时，数据集还包含一个通过Jetstream WebSocket实时捕获的125,645条数据流样本，用于对比平台整体行为。

使用方法

为便于学术研究和工程应用，数据集以压缩的JSON Lines和CSV格式提供，可通过GitHub版本发布或HuggingFace平台直接获取。使用者可利用Python的Pandas库快速加载数据文件，进行初步的探索与统计。数据集适用于多种下游任务，包括但不限于视觉-语言模型的微调，以学习人类撰写高质量图像描述的范式；作为基准测试集，评估自动生成替代文本的系统性能；以及进行社会计算研究，分析不同领域专家为满足无障碍需求所采用的描述策略与风格差异。配套的探索性笔记本提供了可视化分析范例，辅助用户深入理解数据分布与特征。

背景与挑战

背景概述

在数字可访问性与多模态人工智能研究蓬勃发展的背景下，高质量的图像描述数据对于训练模型理解视觉内容并生成包容性文本至关重要。Bluesky Alt Text 数据集由研究者 Luke Steuber 于2026年创建，通过公共 AT Protocol API 系统性地收集了来自 Bluesky 社交平台的图像与替代文本对。该数据集的核心研究问题聚焦于如何获取大规模、由人类精心撰写的图像描述，以服务于屏幕阅读器用户，并推动视觉-语言模型在图像描述生成任务上的进步。其通过验证近五百个高替代文本使用率的账户，确保了数据的质量与代表性，为可访问性研究、多模态模型微调及描述风格分析提供了宝贵的资源。

当前挑战

该数据集旨在应对图像描述生成领域的关键挑战，即如何获取高质量、多样化且符合实际可访问性需求的人类标注数据，以弥补自动生成描述在准确性、细节和语境理解上的不足。在构建过程中，研究团队面临多重挑战：首先，需从动态社交平台流中精准识别并筛选出持续提供高质量替代文本的账户，这涉及复杂的网络追踪与多语言关键词搜索策略；其次，数据收集需遵循严格的验证门槛，确保每个入选账户的替代文本覆盖率超过90%且描述具备实质性内容，这对数据清洗与质量控制提出了极高要求；最后，处理来自实时网络流（firehose）的对比样本时，需妥善应对数据格式不一致、元信息缺失等问题，以维持数据集整体的结构完整性与研究效用。

常用场景

经典使用场景

在数字无障碍与多模态人工智能的交叉领域，Bluesky Alt Text数据集为研究者提供了高质量的图像描述文本资源。该数据集最经典的使用场景是作为训练和评估视觉-语言模型的基准数据，特别是针对图像描述生成任务。研究者利用其中近28万条经过人工精心撰写的替代文本，能够训练模型学习如何为图像生成准确、详细且符合无障碍标准的自然语言描述。这些描述平均长度超过200字符，涵盖了丰富的语义细节和多样的语言风格，为模型提供了学习人类描述习惯的优质语料。

解决学术问题

该数据集有效解决了计算机视觉与自然语言处理领域中的若干核心学术问题。首要意义在于为图像描述生成任务提供了大规模、高质量的真实世界标注数据，缓解了该领域长期存在的数据稀缺与标注噪声问题。其精心筛选的高质量替代文本（90%以上覆盖率，平均长度203字符）为评估生成描述的准确性、详细度和实用性设立了新的标准。数据集支持对比研究，通过并置高质量语料库与混合质量的火力采样数据，使研究者能够深入探究描述质量对模型性能的影响，推动了可访问性感知的图像理解模型的发展。

实际应用

在实际应用层面，该数据集直接服务于提升数字产品的无障碍访问能力。开发者和内容平台可依据此数据集训练或优化自动生成图像替代文本的系统，为视障用户依赖的屏幕阅读器提供更精准的内容支持。博物馆、新闻机构、社交媒体平台等可借鉴数据集中来自不同领域账户的描述风格，制定或优化其内容无障碍指南。此外，数据集中的多语言样本（涵盖英语、德语、法语等20多种语言）为开发跨语言、跨文化的图像描述工具提供了基础，有助于在全球范围内推广数字包容性实践。

数据集最近研究

最新研究方向

在数字无障碍与多模态人工智能交叉领域，Bluesky Alt Text数据集正推动着前沿研究。该数据集聚焦于高质量图像描述文本，为训练先进的视觉-语言模型提供了珍贵资源，尤其在提升自动生成替代文本的准确性与自然度方面。当前研究热点集中于利用其对比性结构，即高质语料库与混合质量实时流数据的并行分析，以探索模型在多样化描述风格下的泛化能力与鲁棒性。这一方向紧密关联于社交媒体平台的无障碍实践与去中心化网络协议发展，其影响不仅限于技术优化，更延伸至促进包容性数字生态系统的构建，为可访问性标准与人工智能伦理研究提供了实证基础。