VLRewardBench是一个综合性的基准测试，旨在评估视觉语言生成奖励模型（VL-GenRMs）在视觉感知、幻觉检测和推理任务中的表现。该基准包含1,250个高质量的示例，专门设计用于探测模型的局限性。每个实例包含多模态查询，涵盖三个关键领域：一般多模态查询、视觉幻觉检测任务和多模态知识与数学推理。数据集的结构包括多个字段，如实例ID、多模态提示的文本查询、图像输入、由模型生成的两个候选响应、

Hugging Face2024-12-08 更新170

Form and sequence: comic books and visual literacy in narrative tenses

视觉语言

叙事教学法

Visuals are often used in presenting language concepts with the pedagogical rationale that visual, non-linguistic support can serve to make such concepts comprehensible across linguistic boundaries. C

Figshare2026-02-07 更新60

merve/pixmo-cap-small

图像字幕生成

视觉语言

--- dataset_info: features: - name: image_url dtype: string - name: caption dtype: string - name: transcripts list: string splits: - name: train num_bytes: 99646198 num

Hugging Face2026-04-01 更新50

LLM Fine-Tuning Dataset - Audio Image Text

多语言大语言模型

跨模态学习

Dataset for LLM training: sample represents a fraction of our Batch1 dataset

kaggle2025-03-24 更新90

VLA_Arena_L1_S_hdf5

机器人学习

视觉语言

该数据集是VLA-Arena基准测试数据的Level 1 (L1) - Small (S)变体，包含适用于标准训练场景的平衡人类演示集。覆盖了55个不同的任务（难度级别L1），总轨迹数为550（每个任务10个轨迹），任务套件包括安全、干扰、外推和长视野领域。数据集严格遵循hdf5格式，包含高分辨率RGB图像（256x256）、机器人状态向量、7-DoF连续控制信号（末端执行器姿态+夹持器）和自然语

Hugging Face2025-12-27 更新50

juliozhao/dataengine_minigpt4

资源简介：

数据集许可证信息

相关数据集