千问杯多模态SFT v6.1

# Qwen3.5-0.8B QwenCup Multimodal SFT v6.1 面向千问杯初赛六类图文理解与推理能力构建的自包含多模态 SFT 候选集。数据包基于 Qwen3.5-0.8B 的消息格式组织，每条记录包含一张图片、中文问题以及末尾带 `\boxed{}` 的监督答案。 ## 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` | 1,030 | 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/` | 1,030 | 反事实图片 | | `image_index.jsonl` | 3,590 | 逐图路径、SHA-256 与字节数 | 图片共 3,590 张、300,893,688 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_v61`： ```bash modelscope download \ --dataset nijidasds/Qwen3.5-0.8B-QwenCup-MM-SFT-v6.1 \ --local_dir datasets/formal_mix_v61 ``` 如果下载到其他位置，读取图片时可将 JSONL 路径前缀 `datasets/formal_mix_v61/` 替换为实际下载目录。 ## JSONL 格式 ```json { "messages": [ { "role": "user", "content": [ {"type": "image", "image": "datasets/formal_mix_v61/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 - 数值与票据/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 train+shadow 的末尾 `\boxed{}` 均完整处于监督区间。 - 与项目冻结的 1,000 题验证集在 ID、lineage、图片哈希、同源原始 ID 和成语概念上零交集。 - ModelScope 审核回退的 1 张 shadow 图片已被确定性排除，并由同领域、同子任务的下一顺位候选替换；未采用改名、转码或压缩绕过审核。 - 本仓库不包含冻结验证集、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、诊断和数据质量审计，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，也不代表阿里巴巴或千问事业部发布。 ## 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`，尤其是在重新分发图片时保留 OpenImages 的逐图作者、落地页与许可证信息。 ModelScope 页面上的仓库许可证字段仅描述项目生成的打包元数据，不会重许可任何上游图片或标注。 ## 完整性 - 构建 commit：`43785613dc3b9e3b467122a38c235f7a926ab9c0` - `manifest.json` SHA-256：`6fb406f1b7aae11356a5013b5a2dfbe03d4e9eb1cc9f0d18ce6fdcc91bd3b598` - `image_index.jsonl` SHA-256：`1aa235c6437a2031988f664f19f271d94d89837fd0efb0da56704dd1befe0ed8`