清华大学 发布 MIT-10M 数据集, 应用在 多语言图像翻译、数据集构建 领域

清华大学 本次发布的数据集 MIT-10M, MIT-10M是一个大规模的多语言图像翻译平行语料库，包含超过1000万张图像-文本对，来源于真实世界的数据，经过广泛的数据清洗和多语言翻译验证。数据集包含84万张图像，分为28个类别，涵盖14种语言的图像-文本对，任务难度分为三个级别。数据集的创建过程包括数据收集与预处理、OCR标注与清洗、多语言翻译与验证三个主要阶段。MIT-10M旨在解决现有数据集在规模、多样性和质量上的不足，特别适用于评估和训练多语言图像翻译模型，提升模型在复杂场景下的适应性和性能。

查看MIT-10M

Dataset card 内容： 

Files and versions 内容： 

关于 清华大学 , 清华大学是中国著名的高等学府，位于北京市，是中国乃至世界上享有盛誉的综合性研究型大学，以其在工程、科学、经济管理等领域的卓越研究和教育而闻名。

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。