Tianchi MUGE dataset

kaggle2022-06-05 更新2024-05-01 收录

多模态理解

音乐生成评估

数据链接：

https://www.kaggle.com/datasets/moshachen/tianchi-cblue-dataset 数据链接链接失效反馈

官方服务：

资源简介：

Multimodal Understanding and Generation Evaluation Benchmark

多模态理解与生成评估基准（Multimodal Understanding and Generation Evaluation Benchmark）

创建时间：

2022-06-05

MMMU

多模态理解

多学科推理

MMMU是一个大规模的多学科多模态理解和推理基准，用于评估多模态模型在需要大学水平学科知识和深思熟虑推理的大量多学科任务上的表现。该数据集包含从大学考试、测验和教科书中精心收集的11.5K个多模态问题，涵盖艺术与设计、商业、科学、健康与医学、人文与社会科学以及技术和工程六个核心学科。这些问题跨越30个学科和183个子领域，包含30种高度异质的图像类型，如图表、图解、地图、表格、音乐表和化学结构。

arXiv2023-12-21 更新900

MAC_Bench

多模态理解

文献分析

MAC数据集是一个综合性的实时基准，旨在评估多模态大型语言模型在科学理解任务上的表现。该数据集专注于科学期刊封面理解，为评估多模态大型语言模型在学术领域的视觉-文本理解能力提供了具有挑战性的测试平台。

Hugging Face2025-08-08 更新130

qianyuchen/16kw-vis-laionen

图像描述生成

多模态理解

--- dataset_info: features: - name: image dtype: image - name: tagging_caption dtype: string - name: short_caption dtype: string - name: medium_caption dtype:

Hugging Face2026-03-27 更新60

VIOLIN

视频与语言推理

多模态理解

VIOLIN是一个大规模的视频与语言推理数据集，由卡内基梅隆大学和微软Dynamics 365 AI Research合作创建。该数据集包含95,322个视频-假设对，来源于15,887个视频片段，总时长超过582小时。这些视频片段内容丰富，包括多种时间动态、事件转换和人物互动，主要从流行的电视节目和YouTube电影片段中收集。VIOLIN数据集旨在通过视频和文本的联合理解，测试模型的多模态推理

arXiv2020-03-26 更新150

WueNLP/mvl-sib

多模态理解

多语言信息检索

MVL-SIB是一个大规模多语言视觉-语言数据集，包含205种语言的图像-句子对，分为7个主题类别，用于跨模态主题匹配任务。

Hugging Face2025-03-12 更新60