英特尔实验室 发布 FiVL-Instruct 数据集, 应用在 视觉语言模型、视觉问答 领域

英特尔实验室 本次发布的数据集 FiVL-Instruct, FiVL-Instruct数据集是由英特尔实验室创建的，旨在增强视觉语言模型的视觉对齐能力。该数据集基于LLaVA-1.5-mix-665K指令调优数据集，包含665,000条结构化对话，每条对话包含多个问题和答案，且94%的对话包含图像。数据集通过GPT-4o提取关键表达，并使用GroundedSAM生成精确的分割掩码，以增强视觉信息与文本的对齐。该数据集主要用于训练和评估视觉语言模型在视觉问答任务中的表现，旨在解决模型在视觉信息利用上的不足，提升模型的解释性和准确性。

查看FiVL-Instruct

关于 英特尔实验室 , 英特尔实验室是英特尔公司旗下的研究机构，专注于推动计算机科学和工程的前沿技术，涵盖从硬件到软件的广泛研究领域。

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。